基于迁移学习的无监督跨库面部表情识别方法研究

发布时间：2021-11-07 23:30

　　面部表情在人类情感表达和信息传递中起着至关重要的作用。如果计算机能够具有理解和表达情感的能力,根据人类的表情判断人类的需求、心情和爱好等信息,计算机将会更好的为人类服务。这在人机交互、安防、机器人制造、医疗、通信和汽车等领域均具有很强的理论意义和实用价值。随着人工智能技术的飞速发展,面部表情识别的研究已取得了一定的成果。但主要针对训练集和测试集样本源于同一个数据库,识别时通常假设样本具有相同的特征分布。在实际情况下,采集环境和设备等的不同,会导致样本分布不同。此时传统的面部表情识别方法训练的分类器将不再适用。论文针对测试集样本标签完全未知的无监督跨库面部表情识别进行了一系列研究。主要研究成果如下:（1）提出了一种关键帧提取的方法,利用各帧图像与模板帧直方图相似度对比,选择合适的阈值,进行关键帧提取,解决了一个镜头下过多冗余信息会造成算法空间复杂度过高的问题。对CK+、Oulu-CASIAVIS、Oulu-CASIANIR、eNTERFACE四个数据库进行关键帧提取,利用关键帧数据集进行面部表情识别实验。利用仿射变换进行数据库人脸分割,为后续面部表情特征提取及识别做准备。（2）提出了一种... 

【文章来源】：天津理工大学天津市

【文章页数】：110 页

【学位级别】：博士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 课题研究的背景和意义
    1.2 面部表情识别研究现状及挑战
        1.2.1 面部表情数据库
        1.2.2 面部表情特征提取
        1.2.3 面部表情识别国内外研究现状
        1.2.4 面部表情识别面临的挑战
    1.3 本文研究内容和具体工作
    1.4 章节安排
第二章 迁移学习及其在跨库情感识别中的应用
    2.1 迁移学习
        2.1.1 迁移学习定义和分类
        2.1.2 领域自适应处理方法
    2.2 跨库情感识别
        2.2.1 跨库面部表情识别
        2.2.2 跨库语音情感识别
        2.2.3 跨库脑电情感识别
    2.3 本章总结
第三章 基于关键帧序列的动态面部表情识别
    3.1 表情数据库人脸分割方法
    3.2 基于阈值的关键帧提取方法研究
        3.2.1 关键帧提取
        3.2.2 面部表情特征提取
    3.3 实验描述与结果分析
        3.3.1 数据库及实验协议
        3.3.2 实验结果及分析
        3.3.3 固定尺寸网格空时描述子特征识别率比较
        3.3.4 交叉验证与特征提取时间对比
    3.4 本章总结
第四章 基于领域自适应子空间学习的跨库面部表情识别
    4.1 基于领域自适应子空间学习的面部表情识别方法研究
        4.1.1 整体框图和基本思想
        4.1.2 领域自适应子空间学习模型构建
        4.1.3 领域自适应子空间学习模型优化
        4.1.4 面部表情标签预测
    4.2 实验描述及结果对比分析
        4.2.1 面部表情数据库和实验方案
        4.2.2 对比方法及参数设置
        4.2.3 实验结果及分析
        4.2.4 数据库样本及类别不平衡问题进一步分析
    4.3 本章总结
第五章 基于超宽回归网络的无监督跨库面部表情识别
    5.1 基于超宽回归网络面部表情识别方法研究
        5.1.1 线性回归
        5.1.2 超宽回归网络模型构建
    5.2 实验结果及分析
        5.2.1 数据准备和试验方案
        5.2.2 超宽回归网络稳定性分析
        5.2.3 不同参数设置特征的实验结果和讨论
    5.3 本章总结
第六章 基于卷积神经网络的无监督跨库面部表情识别
    6.1 基于深度自适应回归网络面部表情识别方法研究
        6.1.1 VGG16 网络模型
        6.1.2 深度自适应回归网络框图
        6.1.3 深度自适应回归网络模型的构建
    6.2 实验描述及分析
        6.2.1 实验设置
        6.2.2 结果及讨论
    6.3 本章总结
第七章 工作总结与展望
    7.1 工作总结
    7.2 工作展望
参考文献
发表论文和参加科研情况说明
致谢



本文编号：3482591