基于深度学习的面部微表情识别方法研究

发布时间：2020-12-28 16:23

　　随着人工智能和大数据技术的广泛应用,人脸识别和人脸表情识别受到了越来越多的关注。面部表情是人类传达情感的重要方式,面部表情的识别在诸多领域都有广泛的应用。目前,面部表情的识别效果在一定程度上满足了日常和社会需求。但是,受到分辨率低下、光线干扰、图像遮挡、表情微弱等因素的影响,面部表情的识别仍然有很大的研究空间。对于面部表情来说,除了日常具有明显外在表现的宏表情之外,还有一种令人难以察觉的面部细微变化的表情,称为微表情。基于微表情是人类不可抑制的自发表情,其在司法刑侦、公共安全、理疗健康等领域都有极高的应有价值,所以,近十年来微表情识别越来越受重视。微表情具有存在时间短暂、面部变化细微的特点,同时微表情的出现还伴随着人脸偏移遮挡、环境干扰因素多等特点。如何利用机器学习相关技术、模型对人类面部微表情进行识别具有很大的挑战。当前,深度学习的广泛应用在图像识别领域扮演了非常重要的角色,因此,本课题应用深度学习方法,对面部微表情进行认知和识别处理,具体工作包括以下几个方面:首先,改进光流法和卷积神经网络的面部微表情识别考虑到微表情序列片段存在一定的冗余,本课题仅使用数据集中每个样本的起始帧和顶点... 

【文章来源】：中国矿业大学江苏省 211工程院校 教育部直属院校

【文章页数】：81 页

【学位级别】：硕士

【部分图文】：

CASMEII上学习率的损失函数Figure3-7LosswithlearningrateonCASMEII

3基于改进光流法和卷积神经网络的面部微表情识别29表3-8不同参数展示表Table3-8Tableofdifferentparameters参数含义取值范围learningrate学习率0.0001~0.01dropout抛弃一部分神经元[0.2,0.4,0.6,0.8]batchsize一次性训练的样本数[16,32,64,128]学习率learningrate的设置会直接影响CNN中损失函数的优化效果，学习率过大可能会出现损失函数震荡或跨过最优解而导致模型不收敛，过小则可能会导致模型收敛过慢甚至无法学习。不同的学习率对应的损失函数收敛情况如图3-7和图3-8所示，图中标注出的5条曲线loss1到loss5分别对应着学习率为0.0001、0.0005、0.001、0.005、0.01的损失函数。从图中可以清晰地看出，对于两个数据集，loss3的效果最好。由于损失函数loss1的学习率过小，因此使得收敛的速度很慢。而损失函数loss5的学习率过大，产生了震荡的现象，导致损失函数无法收敛，且损失函数值达到一定大小后不再下降。图3-7CASMEII上学习率的损失函数Figure3-7LosswithlearningrateonCASMEII图3-8SMIC上学习率的损失函数Figure3-8LosswithlearningrateonSMIC

硕士学位论文32表3-9不同参数值表Table3-9differentparameters序号LearningrateBatchsizea0.000116b0.000516c0.000532d0.00132e0.00164f0.00532g0.00564h0.0164i0.01128根据上表3-6的参数进行实验，在两个数据集上得出的混淆矩阵如图3-13和图3-14所示。(a)(b)(c)（d）（e）(f)(g)(h)(i)图3-13CASMEII数据集中不同参数的混淆矩阵图Figure3-13ConfusionmatrixofdifferentparametersonCASMEII

【参考文献】：
期刊论文
[1]人脸微表情识别综述[J]. 徐峰,张军平.  自动化学报. 2017(03)
[2]微表情研究及其应用[J]. 吴奇,申寻兵,傅小兰.  心理科学进展. 2010(09)

博士论文
[1]复杂条件下的人脸检测与识别应用研究[D]. 廖广军.华南理工大学 2014



本文编号：2944052