当前位置:主页 > 科技论文 > 自动化论文 >

面部动作单元识别类别非均衡处理方法研究

发布时间:2021-04-12 09:19
  情感是人的一种主观体验,其外部表现主要通过面部动作。传统对人面部动作识别的研究主要集中在识别6种种族文化无关的表情,反应了人的基本情感。然而,6种表情显然不能完全描述人的全部面部动作及情感。面部动作编码系统是公认的描述面部动作的最好机制,各类表情可分解为一系列基础的面部肌肉运动的组合,从而进行后续的编码。本课题来源于国家自然科学基金面上项目《开放环境下自然人面部动作单元识别》。本课题旨在以自然人动作单元识别为研究对象,针对面部动作单元类别非均衡问题,从影响识别模型性能关键因素入手,从问题特点开展相关研究。面部动作单元类别非均衡是指动作单元类别分布的不均衡,从而造成模型识别偏置于多数类样本的现象。在选定动作单元数据集CK+下,利用条件生成对抗网络改善动作单元的类别非均衡,并设计支持向量机进行二分类,用以验证条件生成对抗网络生成样本的对类别非均衡的改善效果。本文在明确研究背景和研究意义的基础上对动作单元类别非均衡处理方法在国内外的研究现状进行了调研和分析,最终完成了整体算法的设计和效果验证。本文研究类别非均衡现象造成模型识别偏置于多数类样本情况下的处理方法,从数量和质量上改善训练数据,降低... 

【文章来源】:哈尔滨工业大学黑龙江省 211工程院校 985工程院校

【文章页数】:67 页

【学位级别】:硕士

【部分图文】:

面部动作单元识别类别非均衡处理方法研究


课题研究内容示意图

数据集,非均衡,类别


哈尔滨工业大学工程硕士学位论文-13-以看出AU4、AU5以及AU20等正样本比例都低于10%,从而造成类别的非均衡,影响动作单元的识别。图2-2CK+数据集所有AU标注数统计图2-2中针对CK+数据集标注的样本数量统计结果显示,AU类别跨度为1~64,其中某些AU并没标注。结合图2-1与2-2发现,某些AU的正样本的比例高,出现几率大,比如AU4的正样本的比例低。这种就造成了AU样本数据的类别非均衡化,在针对AU的分类过程中训练的分类模型就会偏向于训练样本中比例大的AU,类别非均衡现象严重影响模型识别性能,目前AU识别领域缺少相关内容研究,其中关键问题在于通过对现有数据分布的建模分析,实现对其潜在分布空间的估测。本课题将在分析类别非均衡情况的基础上,研究类别非均衡现象的处理方法,从数量和质量上改善训练数据,降低类别非均衡对模型性能的影响。2.4类别非均衡影响及处理方法分析2.4.1类别非均衡化对AU识别的影响[33]类别非均衡现象造成模型识别偏置于多数类样本。本课题是研究并处理单个AU的分类问题中类别非均衡化对分类模型效果的影响。例如对一个数据集进行识别分类时,没有考虑数据集的非均衡化,最后结果得出的准确度高达到90%。通常情况下,会认为识别分类效果很好。然在深入分析数据集类别分布情

面部动作单元识别类别非均衡处理方法研究


人脸68关键点

【参考文献】:
期刊论文
[1]一种新的降维算法PCALLE在图像识别中的应用[J]. 蓝雯飞,汪敦志,张盛兰.  中南民族大学学报(自然科学版). 2020(01)
[2]基于凸绝对值不等式的半监督最小二乘支持向量机[J]. 陈婉茹,白富生.  数学建模及其应用. 2019(03)
[3]基于面部表情的学习者情绪自动识别研究——适切性、现状、现存问题和提升路径[J]. 陈子健,朱晓亮.  远程教育杂志. 2019(04)
[4]基于GAN的对抗样本生成研究[J]. 孙曦音,封化民,刘飚,张健毅.  计算机应用与软件. 2019(07)
[5]生成对抗网络模型的基本介绍和应用综述[J]. 冯杰,班彪华.  现代计算机(专业版). 2019(04)
[6]机器学习中的PCA降维方法研究及其应用[J]. 孙平安,王备战.  湖南工业大学学报. 2019(01)
[7]不平衡数据分类方法综述[J]. 李艳霞,柴毅,胡友强,尹宏鹏.  控制与决策. 2019(04)
[8]生成式对抗网络及其计算机视觉应用研究综述[J]. 曹仰杰,贾丽丽,陈永霞,林楠,李学相.  中国图象图形学报. 2018(10)
[9]卷积网络深度学习算法与实例[J]. 陈旭,张军,陈文伟,李硕豪.  广东工业大学学报. 2017(06)
[10]基于卷积神经网络的图像特征识别研究[J]. 杨念聪,任琼,张成喆,周子煜,李倩,邱兰.  信息与电脑(理论版). 2017(14)

博士论文
[1]非均衡数据分类算法若干应用研究[D]. 钱云.吉林大学 2014
[2]基于动态贝叶斯网络的人面部运动识别方法研究[D]. 李永强.哈尔滨工业大学 2013
[3]三类不确定支持向量机及其应用[D]. 王超.河北大学 2013

硕士论文
[1]基于生成对抗网络的图像自动文本标注方法研究[D]. 吕凡.苏州科技大学 2018
[2]基于条件生成式对抗网络的面部表情迁移研究[D]. 陈军波.华中师范大学 2019
[3]视觉词袋模型的改进及其在图像分类中的应用[D]. 杨浩.兰州理工大学 2017
[4]快速支持向量机算法研究[D]. 崔力娟.国防科学技术大学 2017
[5]最大间隔方法及其在行为分析中的应用[D]. 马丽.南京邮电大学 2016
[6]支持向量机核函数及关键参数选择研究[D]. 尹嘉鹏.哈尔滨工业大学 2016
[7]基于先验知识的面部表情和动作单元识别[D]. 王君.中国科学技术大学 2015
[8]基于HOG特征的人脸识别系统研究[D]. 慕春雷.电子科技大学 2013
[9]不平衡数据集分类问题研究[D]. 孙晓燕.山东师范大学 2012
[10]图像特征提取及其相似度的研究和实现[D]. 陈健斌.西安电子科技大学 2012



本文编号:3133054

资料下载
论文发表

本文链接:https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3133054.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户42249***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com