基于卷积神经网络的人脸情感识别
发布时间：2021-01-13 14:02
在人工智能飞速发展的影响下,智能教育事业方兴未艾,人们越来越关注线上教育过程中的情感交流。情感交流中的人脸情感识别成为目前线上教育中的重要问题。针对人机交互中的情感交流问题,本文构建了一个基于卷积神经网络的人脸情感识别系统,主要研究内容如下:1.针对人脸情感识别中的特征提取过程存在过多无效特征的问题,本文在情感识别系统中的VGGNet部分添加了注意力机制模块CBAM,该模块从通道和空间两个方面计算注意力特征图,提升了原有网络对目标特征的关注,使得提取的特征信息忽略不重要的特征而对目标特征的表达更加细致全面。2.针对单模型卷积神经网络对于人脸表情微小特征提取不足的问题,对多个平行结构的卷积神经网络进行集成,合理选择对各模型特征的使用程度。本文将VGGNet与CliqueNet进行特征并行融合成VCNet,融合后的特征中含有的特征信息更加全面,更具有代表性,特征表述能力更强,分类结果更加精确。3.针对智能教育中情感匮乏的问题提出一种基于卷积神经网络的情感识别系统,该系统的分类器基于VCNet网络,将融合后的特征信息输入到Softmax分类器中进行特征分类,预测情感类别。在表情数据库JAFF...
【文章来源】：青岛科技大学山东省
【文章页数】：86 页
【学位级别】：硕士
【部分图文】：
初始输入图片
青岛科技大学研究生学位论文13素点的局部矩阵的均值与方差2，如式（2-1）与式（2-2）。,1=,xyaxyMN（2-1）222,1=,xyaxyMN（2-2）式中，为MN邻域范围。然后需要对每一个像素利用自适应维纳滤波器进行灰度值的估算，如式（2-3）。222,,vbxyaxy（2-3）式中，v2为图像噪声的方差。初始输入的图片如图2-3所示，经过自适应维纳滤波后的图片如图2-4所示。图2-3初始输入图片图2-4自适应维纳滤波后的图片Figure2-3InitialinputpictureFigure2-4PictureafteradaptiveWienerfiltering2.2人脸图片的光照补偿本文中主要采用光照补偿和降噪对灰度图片进行增强。光照补偿即对图片进行补光，待处理的图片光照的分布是不均匀的，这有悖于人脸检测算法的假设条件，在均匀的光照下图片的质量会更高，可以增大图像的对比度和清晰度，提高后期提取特征的精度。对于图片中存在的噪声需要通过滤波进行一定的消除。本文中采用直方图均衡化法对图片进行光照补偿，在图像中，不同灰度值的
基于卷积神经网络的人脸情感识别14像素的个数是不一样的，而直方图就是一个展示不同灰度值在总体像素中分布的图表，它的横坐标表示灰度值，纵坐标表示出现某灰度值的概率大校虽然该直方图不能详细的描述像素的位置以及显示图像具体内容，但是它却能很好的描述图像的灰度分布特性，从这些分布特性中，我们可以得到图像总体对比度（亮度最大、最小值之比）、亮度等和图像质量相关的灰度分布图。成像系统的亮度是有范围的，常常由于对比度不足而使图像视觉效果变差，所以进行直方图均衡化之前要先改变像素灰度。本文中采用非线性灰度变换来进行灰度转化，假设输入图像在坐标x,y处的像素灰度值为fx,y，则变换后的像素灰度值gx,y如式（2-4）所示。gx,ycfx,ye（2-4）式中，c为可变参数，e为补偿系数，可以选择性突出某些范围，为伽玛系数，当小于1时，增加低灰度区域对比度，当大于1时，增加高灰度区域对比度，当等于1时，有对数变换的效果，变换后的图像如图2-5所示。图2-5灰度转化后的图像Figure2-5Imageaftergrayscaleconversion将变换后的图像进行直方图均衡化，假设图像M的最大灰度级数为L，那么图像M含有的灰度值表示为0,1,,1krkL，若knr为一幅灰度图像中灰度级kr出现的个数，那么图像M的直方图表示为式（2-5）。0,1,,1kknprkLN（2-5）
【参考文献】：
期刊论文
[1]情感识别与教育[J]. 余梓彤,李晓白,赵国英. 人工智能. 2019(03)
[2]基于深度学习的学习者情感识别与应用[J]. 徐振国,张冠文,孟祥增,党同桐,孔玺. 电化教育研究. 2019(02)
[3]混合式学习环境下情绪分析应用与模型研究——基于元分析的视角[J]. 徐晓青,赵蔚,刘红霞. 电化教育研究. 2018(08)
[4]面向人脸表情识别的迁移卷积神经网络研究[J]. 翟懿奎,刘健. 信号处理. 2018(06)
[5]基于深度学习与传统机器学习的人脸表情识别综述[J]. 王信,汪友生. 应用科技. 2018(01)
[6]深度卷积神经网络的发展及其在计算机视觉领域的应用[J]. 张顺,龚怡宏,王进军. 计算机学报. 2019(03)
[7]基于深度时空域卷积神经网络的表情识别模型[J]. 杨格兰,邓晓军,刘琮. 中南大学学报(自然科学版). 2016(07)
[8]一种用于人脸表情识别的卷积神经网络[J]. 卢官明,何嘉利,闫静杰,李海波. 南京邮电大学学报(自然科学版). 2016(01)
[9]CNN深度学习模型用于表情特征提取方法探究[J]. 张昭旭. 现代计算机(专业版). 2016(03)
[10]人脸特征点提取方法综述[J]. 李月龙,靳彦,汪剑鸣,肖志涛,耿磊. 计算机学报. 2016(07)
博士论文
[1]智慧学习环境中学习画面的情感识别及其应用[D]. 徐振国.山东师范大学 2019
[2]人脸表情识别算法分析与研究[D]. 周书仁.中南大学 2009
[3]人脸表情识别中若干关键技术的研究[D]. 何良华.东南大学 2005
硕士论文
[1]基于卷积神经网络的人脸表情识别研究[D]. 张琳琳.长春工业大学 2019
[2]基于多模态情感识别的自适应教学系统研究与实现[D]. 凌云昊.上海交通大学 2018
[3]基于卷积神经网络的人脸表情识别研究[D]. 方圆.西安电子科技大学 2017
[4]基于深度学习的人脸面部情感识别的研究[D]. 刘元震.哈尔滨工业大学 2017
[5]基于Gabor小波变换与分形维的人脸情感识别[D]. 胡秀丽.长沙理工大学 2008
本文编号：2974993
【文章来源】：青岛科技大学山东省
【文章页数】：86 页
【学位级别】：硕士
【部分图文】：
初始输入图片
青岛科技大学研究生学位论文13素点的局部矩阵的均值与方差2，如式（2-1）与式（2-2）。,1=,xyaxyMN（2-1）222,1=,xyaxyMN（2-2）式中，为MN邻域范围。然后需要对每一个像素利用自适应维纳滤波器进行灰度值的估算，如式（2-3）。222,,vbxyaxy（2-3）式中，v2为图像噪声的方差。初始输入的图片如图2-3所示，经过自适应维纳滤波后的图片如图2-4所示。图2-3初始输入图片图2-4自适应维纳滤波后的图片Figure2-3InitialinputpictureFigure2-4PictureafteradaptiveWienerfiltering2.2人脸图片的光照补偿本文中主要采用光照补偿和降噪对灰度图片进行增强。光照补偿即对图片进行补光，待处理的图片光照的分布是不均匀的，这有悖于人脸检测算法的假设条件，在均匀的光照下图片的质量会更高，可以增大图像的对比度和清晰度，提高后期提取特征的精度。对于图片中存在的噪声需要通过滤波进行一定的消除。本文中采用直方图均衡化法对图片进行光照补偿，在图像中，不同灰度值的
基于卷积神经网络的人脸情感识别14像素的个数是不一样的，而直方图就是一个展示不同灰度值在总体像素中分布的图表，它的横坐标表示灰度值，纵坐标表示出现某灰度值的概率大校虽然该直方图不能详细的描述像素的位置以及显示图像具体内容，但是它却能很好的描述图像的灰度分布特性，从这些分布特性中，我们可以得到图像总体对比度（亮度最大、最小值之比）、亮度等和图像质量相关的灰度分布图。成像系统的亮度是有范围的，常常由于对比度不足而使图像视觉效果变差，所以进行直方图均衡化之前要先改变像素灰度。本文中采用非线性灰度变换来进行灰度转化，假设输入图像在坐标x,y处的像素灰度值为fx,y，则变换后的像素灰度值gx,y如式（2-4）所示。gx,ycfx,ye（2-4）式中，c为可变参数，e为补偿系数，可以选择性突出某些范围，为伽玛系数，当小于1时，增加低灰度区域对比度，当大于1时，增加高灰度区域对比度，当等于1时，有对数变换的效果，变换后的图像如图2-5所示。图2-5灰度转化后的图像Figure2-5Imageaftergrayscaleconversion将变换后的图像进行直方图均衡化，假设图像M的最大灰度级数为L，那么图像M含有的灰度值表示为0,1,,1krkL，若knr为一幅灰度图像中灰度级kr出现的个数，那么图像M的直方图表示为式（2-5）。0,1,,1kknprkLN（2-5）
【参考文献】：
期刊论文
[1]情感识别与教育[J]. 余梓彤,李晓白,赵国英. 人工智能. 2019(03)
[2]基于深度学习的学习者情感识别与应用[J]. 徐振国,张冠文,孟祥增,党同桐,孔玺. 电化教育研究. 2019(02)
[3]混合式学习环境下情绪分析应用与模型研究——基于元分析的视角[J]. 徐晓青,赵蔚,刘红霞. 电化教育研究. 2018(08)
[4]面向人脸表情识别的迁移卷积神经网络研究[J]. 翟懿奎,刘健. 信号处理. 2018(06)
[5]基于深度学习与传统机器学习的人脸表情识别综述[J]. 王信,汪友生. 应用科技. 2018(01)
[6]深度卷积神经网络的发展及其在计算机视觉领域的应用[J]. 张顺,龚怡宏,王进军. 计算机学报. 2019(03)
[7]基于深度时空域卷积神经网络的表情识别模型[J]. 杨格兰,邓晓军,刘琮. 中南大学学报(自然科学版). 2016(07)
[8]一种用于人脸表情识别的卷积神经网络[J]. 卢官明,何嘉利,闫静杰,李海波. 南京邮电大学学报(自然科学版). 2016(01)
[9]CNN深度学习模型用于表情特征提取方法探究[J]. 张昭旭. 现代计算机(专业版). 2016(03)
[10]人脸特征点提取方法综述[J]. 李月龙,靳彦,汪剑鸣,肖志涛,耿磊. 计算机学报. 2016(07)
博士论文
[1]智慧学习环境中学习画面的情感识别及其应用[D]. 徐振国.山东师范大学 2019
[2]人脸表情识别算法分析与研究[D]. 周书仁.中南大学 2009
[3]人脸表情识别中若干关键技术的研究[D]. 何良华.东南大学 2005
硕士论文
[1]基于卷积神经网络的人脸表情识别研究[D]. 张琳琳.长春工业大学 2019
[2]基于多模态情感识别的自适应教学系统研究与实现[D]. 凌云昊.上海交通大学 2018
[3]基于卷积神经网络的人脸表情识别研究[D]. 方圆.西安电子科技大学 2017
[4]基于深度学习的人脸面部情感识别的研究[D]. 刘元震.哈尔滨工业大学 2017
[5]基于Gabor小波变换与分形维的人脸情感识别[D]. 胡秀丽.长沙理工大学 2008
本文编号：2974993
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2974993.html
