基于深度神经网络的面部表情识别研究与实现

发布时间：2021-03-24 21:12

　　人脸表情识别一直以来都是计算机视觉和机器学习领域的研究热点。因为人类脸部的不同表情的差异非常细微,因此,让计算机准确的识别人脸面部表情是一项极具挑战性的任务。此外,许多公开的人脸面部表情识别算法对在非限制条件下采集到的人脸图像识别效果不佳,其表情识别算法距离实际应用仍有较大的差距。传统的表情识别算法通常只是用到图像的空间结构信息,但是表情的变化是一个动态的过程,它在变化的过程中具有非常明显的动作变化特征,也就是时序的信息,该信息一般使用多帧图像,利用光流算法来进行获取,但是这种方法所需要的计算资源过大,算法较为复杂。针对上述问题,本文采用基于深度时空信息融合的方法来提高人脸表情识别的正确率和鲁棒性。本文的研究内容如下:（1）调研了常用的人脸表情特征提取算法和人脸表情分类方法,并对经典的人脸表情识别系统进行了重现,对比了各个识别系统的识别正确率,并分析了这些识别系统的优劣;（2）提出了针对人脸表情识别的特征提取方法,由于近年来,卷积神经网络在图像识别领域取得了巨大的成功,本文将其引入到表情识别领域并取得了不错的效果;为了进一步提高表情识别的正确率,本文在利用表情图像的空间特征之外,又介绍... 

【文章来源】：南京邮电大学江苏省

【文章页数】：66 页

【学位级别】：硕士

【部分图文】：

通过KL变换之后的人脸图像

图 2.3 LBP 编码过程示意图LBP 特征值的定义，如公式 2.1 所示: 7i 01, 0s 2 s0, elseii cxLBP p p x (2.1其中，cP 表示中心像素点的灰度值，iP 表示其他像素点的灰度值。由于上述原理中，LBP 算子限定在一个固定的窗口中，只有当特征恰好和该窗口大小相时，才能够有效的提取；但是众所周知，自然图像中特征匹配度好的，肯定不止矩形一式，因此 Ojala 等人改进并拓展了基本 LBP 算子的结构，提出了一种圆形结构的 LBP 算5]。在一幅灰度图像中，定义了一个半径为 R(R>0)的圆环形区域，在圆周上均匀分布了>0)个邻域像素，如图 2.4 所示.

向传播就是要把这个误差信息回传给神经网络的每一层，每一层都会通过梯度的大小来自身的权值，让误差进一步缩小。BP 算法中是使用用梯度下降法进行权值更新的。oldloldlnewloldloldlnewlbEbbWEWW 其中 是梯度下降的学习率(learning rate)，该学习率控制参数更新的步长，从公式(2.看出，梯度下降法更新权值，其核心就是求梯度矩阵，最直接的办法就是利用误差代价来计算参数的梯度，所以权值更新的本质在于，神经网络的每一个参数可以依据各自的梯度，利用公式进行参数更新。在权值不断的更新之后，卷积神经网络就逐渐学习到了提取图像特征的能力，如图 2.11 所示不同的卷积核提取不同的特征，会生成不同的特征图一层再将这些特征进行进一步的融合，提取更高层次的特征。

【参考文献】：
期刊论文
[1]一种基于CLMF的深度卷积神经网络模型[J]. 随婷婷,王晓峰.  自动化学报. 2016(06)



本文编号：3098404