基于轻量化卷积神经网络的人脸表情识别方法
发布时间：2020-12-05 15:06
面部表情识别是生物信息识别、模式识别、人机交互与人工智能等领域的重要研究课题,深度神经网络的兴起为高精度面部表情识别的研究提供了新的契机。以纹理信息挖掘及关联为牵引,以视觉信息智能处理策略为基础,构建轻量化卷积神经网络面部表情识别模型,探索复杂环境下高精度二维目标识别机理,对于揭示复杂环境条件下的特征提取等关键基础问题,丰富和发展现有目标识别理论,拓宽深度神经网络的应用范畴,并建立面部表情识别机理与实施算法的本征关系具有重要的科学意义;通过引入轻量化技术,高效地获得高精度的识别结果对新一代人工智能的研发具有重要的科学价值。自然环境下的面部表情具有姿态变化大和光照情况复杂等特点,由于目标并不是处于实验室环境中,面部可能存在装饰品和周围环境的遮挡,所以自然环境下的面部表情识别比实验室环境更加困难。面部表情识别的传统框架为“人脸检测—人脸校正—面部特征提取—表情识别”,但从公开发表的文献来看,该框架在面部表情识别,尤其是自发面部表情识别性能方面的提升非常有限。近年,在深度学习领域的发展推动下,自发面部表情识别研究又取得了一些突破性进展。深度学习方法试图模拟生物视觉的神经传导系统,设计数层互相...
【文章来源】：北京建筑大学北京市
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
面部动作编码系统
轻量化模型，以优化网络的计算速度和参数量[39-41]。综上所述，自动人脸表情识别的研究始于1970年代末，但十多年来进展缓慢，主要是因为面部检测和面部配准算法的局限性以及缺乏足够的计算能力。从静态表示的有姿态RGB表情开始，研究方向朝着识别动态表情和自发表情发展。为了应对姿势变化大，照明条件的多样性和面部表情细微检测所带来的挑战，诸如3D和热图像之类的新型数据模态已经被提出。尽管大多数研究都集中在基础表情识别和动作单元（AU）上，但对疼痛，疲劳，沮丧或认知状态的分析为表情识别的新应用铺平了道路。在图1-2中介绍了自动表情识别历史演变的时间表。1.3国内外研究现状表情是人类心理活动的表现形式，读懂面部表情能够帮助计算机更好的理解人，有助于人机交互应用的开发。这引发了国内外很多学者研究与表情识别有关的算法和机器人[42-47]。例如，英国BristolRobotics实验室研究的仿人机器人“Jules”能够使用双目摄像头以25帧每秒的速度读取并识别六种基础表情，同时利用人工肌肉形成表情对目标做出反应，如图1-3（a）。美国汉森机器人公司的大卫等人设计的爱因斯坦机器人拥有与Jules有相同的功能，还能模拟人类点头等简单的动作，如图1-3（b）。麻省理工大学媒体实验室设计的“Nexi”机器人不仅能够识别表情，还能够通过转动、睁闭眼睛、皱眉、张嘴和打手势的形式表达情感，是一款具备社交和移动功能的机器人，如图1-3（c）。索尼DSC-T70相机开发了笑脸快门模式，能够检测到图像种的笑脸并自动进行拍摄，如图1-3（d）。马里兰大学的自动化研究所结合了表情、言语、目光和外设（键盘和鼠标）等交流方式，开发了能够检测用户情感状态的智能环境。南加利福尼亚大学的创新科技图1-2自动表情识别历史演变时间表Fig.1-2Historica
第1章绪论4中心开发了虚拟现实（AR）终端SimSenseiKiosk，它能通过采访的方式感受到用户的心理状态，并进行自然舒适的沟通交流。国内高校和研究所在表情识别领域的研究虽然起步较晚，但是依然取得了很多优秀成果[48-53]。清华大学、浙江大学和中科院大学等高校在人脸表情分析算法研究方面较为领先。哈尔滨工业大学和自动化研究所在集成表情识别算法的机器人研制方面做出了突出贡献。浙江大学的付晓峰等人提出基于中心化二元模式的表情特征提取算法，结合有监督拉普拉斯面部训练机制训练出高效的表情成分分析模型。吉林大学的李栋等人以局部纹理特征提取为基础，以支持向量机和决策树为分类器，提高了面部表情识别算法的鲁棒性和准确率。哈尔滨工业大学制造的仿人机器人GOROBOT能够结合视觉、力觉和温度感受器准确识别人的六种基础表情。1.4面部表情识别理论1.4.1理论框架一般的人脸表情识别方法包括四个步骤，即人脸检测、人脸校正、特征提取和表情识别。但是由于存在不同的表情定义方式以及不同的表情数据形式（2D、3D和热图像），所以执行流程有一些差异，如图1-4所示。图1-3国内外表情识别前沿成果Fig.1-3Currentachivementsoftheresearcha)“Jules”(BristolRoboticsLaboratory),b)“Einstein”(HansonRobotics),c）“Nexi”(MITMediaLab),d)SmileShotofSonyDSC-T70Camera
【参考文献】：
期刊论文
[1]具有视觉及面部表情的仿人头像机器人系统设计与研制[J]. 鹿麟,吴伟国,孟庆梅. 机械设计. 2007(07)
[2]人脸表情识别研究的新进展[J]. 刘晓旻,谭华春,章毓晋. 中国图象图形学报. 2006(10)
[3]面部表情图像的分析与识别[J]. 高文,金辉. 计算机学报. 1997(09)
博士论文
[1]基于局部纹理特征融合的面部表情识别方法研究[D]. 李栋.吉林大学 2014
[2]自动人脸分析与识别的若干问题研究[D]. 党力.中国科学技术大学 2012
[3]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
[4]人脸图像分析和识别方法研究[D]. 孙俊.清华大学 2001
本文编号：2899646
【文章来源】：北京建筑大学北京市
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
面部动作编码系统
轻量化模型，以优化网络的计算速度和参数量[39-41]。综上所述，自动人脸表情识别的研究始于1970年代末，但十多年来进展缓慢，主要是因为面部检测和面部配准算法的局限性以及缺乏足够的计算能力。从静态表示的有姿态RGB表情开始，研究方向朝着识别动态表情和自发表情发展。为了应对姿势变化大，照明条件的多样性和面部表情细微检测所带来的挑战，诸如3D和热图像之类的新型数据模态已经被提出。尽管大多数研究都集中在基础表情识别和动作单元（AU）上，但对疼痛，疲劳，沮丧或认知状态的分析为表情识别的新应用铺平了道路。在图1-2中介绍了自动表情识别历史演变的时间表。1.3国内外研究现状表情是人类心理活动的表现形式，读懂面部表情能够帮助计算机更好的理解人，有助于人机交互应用的开发。这引发了国内外很多学者研究与表情识别有关的算法和机器人[42-47]。例如，英国BristolRobotics实验室研究的仿人机器人“Jules”能够使用双目摄像头以25帧每秒的速度读取并识别六种基础表情，同时利用人工肌肉形成表情对目标做出反应，如图1-3（a）。美国汉森机器人公司的大卫等人设计的爱因斯坦机器人拥有与Jules有相同的功能，还能模拟人类点头等简单的动作，如图1-3（b）。麻省理工大学媒体实验室设计的“Nexi”机器人不仅能够识别表情，还能够通过转动、睁闭眼睛、皱眉、张嘴和打手势的形式表达情感，是一款具备社交和移动功能的机器人，如图1-3（c）。索尼DSC-T70相机开发了笑脸快门模式，能够检测到图像种的笑脸并自动进行拍摄，如图1-3（d）。马里兰大学的自动化研究所结合了表情、言语、目光和外设（键盘和鼠标）等交流方式，开发了能够检测用户情感状态的智能环境。南加利福尼亚大学的创新科技图1-2自动表情识别历史演变时间表Fig.1-2Historica
第1章绪论4中心开发了虚拟现实（AR）终端SimSenseiKiosk，它能通过采访的方式感受到用户的心理状态，并进行自然舒适的沟通交流。国内高校和研究所在表情识别领域的研究虽然起步较晚，但是依然取得了很多优秀成果[48-53]。清华大学、浙江大学和中科院大学等高校在人脸表情分析算法研究方面较为领先。哈尔滨工业大学和自动化研究所在集成表情识别算法的机器人研制方面做出了突出贡献。浙江大学的付晓峰等人提出基于中心化二元模式的表情特征提取算法，结合有监督拉普拉斯面部训练机制训练出高效的表情成分分析模型。吉林大学的李栋等人以局部纹理特征提取为基础，以支持向量机和决策树为分类器，提高了面部表情识别算法的鲁棒性和准确率。哈尔滨工业大学制造的仿人机器人GOROBOT能够结合视觉、力觉和温度感受器准确识别人的六种基础表情。1.4面部表情识别理论1.4.1理论框架一般的人脸表情识别方法包括四个步骤，即人脸检测、人脸校正、特征提取和表情识别。但是由于存在不同的表情定义方式以及不同的表情数据形式（2D、3D和热图像），所以执行流程有一些差异，如图1-4所示。图1-3国内外表情识别前沿成果Fig.1-3Currentachivementsoftheresearcha)“Jules”(BristolRoboticsLaboratory),b)“Einstein”(HansonRobotics),c）“Nexi”(MITMediaLab),d)SmileShotofSonyDSC-T70Camera
【参考文献】：
期刊论文
[1]具有视觉及面部表情的仿人头像机器人系统设计与研制[J]. 鹿麟,吴伟国,孟庆梅. 机械设计. 2007(07)
[2]人脸表情识别研究的新进展[J]. 刘晓旻,谭华春,章毓晋. 中国图象图形学报. 2006(10)
[3]面部表情图像的分析与识别[J]. 高文,金辉. 计算机学报. 1997(09)
博士论文
[1]基于局部纹理特征融合的面部表情识别方法研究[D]. 李栋.吉林大学 2014
[2]自动人脸分析与识别的若干问题研究[D]. 党力.中国科学技术大学 2012
[3]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
[4]人脸图像分析和识别方法研究[D]. 孙俊.清华大学 2001
本文编号：2899646
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/2899646.html
