基于认知机器学习的人脸表情识别研究

发布时间：2021-03-10 09:48

　　随着人工智能技术的迅猛发展,机器已具有通过人脸图像,“理解”人类情感的能力。实现这种能力的方法就是基于机器学习的人脸表情识别,目前的主要应用有人机交互、安全安防、医疗健康等。人脸表情识别有7种基本类别,由愤怒（anger）、高兴（happiness）、悲伤（sadness）、惊讶（surprise）、厌恶（disgust）、恐惧（fear）和平静（neutrality）组成,因此人脸表情识别可用机器学习（分类器）来实现。在实际应用中,由于待识别的人脸表情图片可能包含复杂的背景,图片中人类的外貌、年龄、种族存在差异,不同表情类别之间的区分边界可能模糊不清,这些潜在的问题导致了表情识别准确率难以提高,在现实应用中表现出鲁棒性不足等缺陷。现有人脸表情识别方法的性能与人类的识别能力差距比较大,主要原因是模拟人类的认知能力不够。机器学习就是向人类学习,每次将人类的认知规律模型化,机器学习方法就取得了显著的原创性,因此论文的主要工作就是将认知规律用于机器学习,提出一些新的机器学习方法,并用于人脸表情识别。具体工作包括以下几个方面:（1）指出了现有机器学习方法面临的问题,分析了机器学习的惯性思维原理... 

【文章来源】：华南理工大学广东省 211工程院校 985工程院校 教育部直属院校

【文章页数】：108 页

【学位级别】：博士

【部分图文】：

人脸表情识别系统框架

华南理工大学博士学位论文本进行分类的分类器，然后用选择的分类器识别每个测试样本的情感类别。这更符合人类的认知规律，具有个性化的分类能力。通过在数据库 Fer2013 和 RAF 上实验表明，SAP 在情感识别方面的有效性明显优于任何基本分类器，以及这些分类器的集成后的识别效果。（3）类似于人类学习，机器学习也容易形成错觉惯性思维，但目前所有机器学习方法都没有考虑，本文提出一种基于逆向思维的机器学习方法 RTML，采用逆向思维克服错觉惯性思维，从而提高了机器学习方法的泛化能力，实验证明所提方法的有效性。所提方法是普适的，对任何机器学习方法都是适用的，特别适用于那些难分的数据集，如非平衡数据集，因为机器学习在那里很容易形成错觉惯性思维。1.5 本文的主要工作及安排

第二章 基于认识的机器学习框架型，然后用惯性思维模型解决新问题。例如基于机器学习的分类结构如图 2-1 所示，训练分类器的结果就是形成惯性思维模型，然后用它分类新的测试数据，正确分类新数据的能力通常称为泛化能力（Generalization）。由于分类器在训练数据集和测试数据集上的表现会出现偏差（Variance），影响分类器的泛化能力，出现这种现象的原因在于训练样本的代表性不够充分，不能正确拟合问题的数据分布。

【参考文献】：
期刊论文
[1]面向视频序列表情分类的LSVM算法[J]. 徐文晖,孙正兴.  计算机辅助设计与图形学学报. 2009(04)
[2]基于混淆交叉支撑向量机树的自动面部表情分类方法[J]. 徐琴珍,章品正,裴文江,杨绿溪,何振亚.  中国图象图形学报. 2008(07)
[3]BHU人脸表情数据库的设计与实现[J]. 薛雨丽,毛峡,张帆.  北京航空航天大学学报. 2007(02)
[4]一种基于局部Gabor滤波器组及PCA+LDA的人脸表情识别方法[J]. 邓洪波,金连文.  中国图象图形学报. 2007(02)

博士论文
[1]基于二元模式的人脸识别与表情识别研究[D]. 付晓峰.浙江大学 2008

硕士论文
[1]康复护理机器人床中的人脸识别技术研究[D]. 梁冬梅.上海工程技术大学 2016
[2]基于动态序列的微表情识别[D]. 郭艳君.吉林大学 2015
[3]基于单演二值模式的微表情识别研究[D]. 吴雪.河北工业大学 2015
[4]基于MLBP-TOP与光流多特征的人脸表情融合识别研究[D]. 孔健.江苏大学 2009



本文编号：3074470