基于深度学习的人脸表情识别方法的研究
发布时间：2020-12-20 11:24
随着智能化时代的来临,人脸表情识别技术在多个领域有着越来越明显的实用价值。深度学习的不断发展,为人脸表情识别带来了新的突破点和发展趋势。人脸表情识别一直是一个充满挑战的任务,存在遮挡的低质人脸图像和特征冗余问题对表情识别造成了严重影响。本文以深度学习技术为基础,创新型的提出了将卷积神经网络与生成对抗网络将结合,对低质数据进行改进;在特征提取阶段,采用聚类算法对深层特征进行筛选,极大的提高了表情识别的精确度。具体如下:1.针对低质人脸图像的遮挡或破损的问题,提出了一种基于端到端的低质人脸图像表情识别方法。本文通过在现有的人脸数据集上手工添加破损或遮挡作为低质样本集,利用生成对抗网络修复图像,将复原后的图像和低质人脸表情图像以及原始图像通过卷积神经网络分类器构成三输入分类器,利用三元排序约束判别损失指导模型训练,以达到更好的分类效果。2.针对特征冗余的问题,提出了一种基于卷积神经网络的特征图聚类方法。首先通过预训练网络提取网络最后一层卷积层的特征图,然后对特征图进行聚类操作,取聚类中心构成新的特征图集合,以聚类后的特征图训练分类器。本文将有监督的深度学习方法与传统的机器学习方法相结合,使用...
【文章来源】：山西大学山西省
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
FACA的基本示意
基于深度学习的人脸表情识别方法的研究8神经网络特征所能看到的输入图像的区域，换句话说特征输出受感受野区域内的像素点的影响。这也是CNN的发展源头[45]，中心思想是对多维数据的处理，从底层局部的简单认知到层次抽象，再到语义理解，整个过程同人类的视觉感知模式相似。传统的人工神经网络包括基本的人工神经元，存在大量参数和偏置常量，具备反向传播功能[46]。神经元同人类的大脑机制相似，以独立的单元形式存在，在其单元范围内对输入的数据信息进行处理后，输出一系列代表不同类型概率的数值。传统的人工神经网络的结构如图2.1所示，从输入层到隐含层再到输出层，层与层之间是全连接的。图2.1传统的人工神经网络结构卷积神经网络与传统的人工神经网络具有相似的结构，包含有输入层，中间层和输出层。假设输入数据为图像，如图2.2所示，图像作为输入数据，代表不同的结构特征，数据输入之后，结合自身特点，渗透调整网络结构，减少参数冗余的现象，大大提升前馈函数的效率，提高整体网络模型的训练学习的速度。图像作为输入数据输入系统后，拆分为三维的立体结构，因此卷积神经网络的神经元包括width,height,depth三个信息量，需要注意的是，depth指的是神经元的深度[47]。图2.2卷积神经网络卷积神经网络主要包括卷积层、激活函数和池化层，激活函数常嵌套到卷积层中，常见结构如图2.3所示，各个卷积层单元之间前后递进，上一层的输出是下一层的输
基于深度学习的人脸表情识别方法的研究8神经网络特征所能看到的输入图像的区域，换句话说特征输出受感受野区域内的像素点的影响。这也是CNN的发展源头[45]，中心思想是对多维数据的处理，从底层局部的简单认知到层次抽象，再到语义理解，整个过程同人类的视觉感知模式相似。传统的人工神经网络包括基本的人工神经元，存在大量参数和偏置常量，具备反向传播功能[46]。神经元同人类的大脑机制相似，以独立的单元形式存在，在其单元范围内对输入的数据信息进行处理后，输出一系列代表不同类型概率的数值。传统的人工神经网络的结构如图2.1所示，从输入层到隐含层再到输出层，层与层之间是全连接的。图2.1传统的人工神经网络结构卷积神经网络与传统的人工神经网络具有相似的结构，包含有输入层，中间层和输出层。假设输入数据为图像，如图2.2所示，图像作为输入数据，代表不同的结构特征，数据输入之后，结合自身特点，渗透调整网络结构，减少参数冗余的现象，大大提升前馈函数的效率，提高整体网络模型的训练学习的速度。图像作为输入数据输入系统后，拆分为三维的立体结构，因此卷积神经网络的神经元包括width,height,depth三个信息量，需要注意的是，depth指的是神经元的深度[47]。图2.2卷积神经网络卷积神经网络主要包括卷积层、激活函数和池化层，激活函数常嵌套到卷积层中，常见结构如图2.3所示，各个卷积层单元之间前后递进，上一层的输出是下一层的输
本文编号：2927781
【文章来源】：山西大学山西省
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
FACA的基本示意
基于深度学习的人脸表情识别方法的研究8神经网络特征所能看到的输入图像的区域，换句话说特征输出受感受野区域内的像素点的影响。这也是CNN的发展源头[45]，中心思想是对多维数据的处理，从底层局部的简单认知到层次抽象，再到语义理解，整个过程同人类的视觉感知模式相似。传统的人工神经网络包括基本的人工神经元，存在大量参数和偏置常量，具备反向传播功能[46]。神经元同人类的大脑机制相似，以独立的单元形式存在，在其单元范围内对输入的数据信息进行处理后，输出一系列代表不同类型概率的数值。传统的人工神经网络的结构如图2.1所示，从输入层到隐含层再到输出层，层与层之间是全连接的。图2.1传统的人工神经网络结构卷积神经网络与传统的人工神经网络具有相似的结构，包含有输入层，中间层和输出层。假设输入数据为图像，如图2.2所示，图像作为输入数据，代表不同的结构特征，数据输入之后，结合自身特点，渗透调整网络结构，减少参数冗余的现象，大大提升前馈函数的效率，提高整体网络模型的训练学习的速度。图像作为输入数据输入系统后，拆分为三维的立体结构，因此卷积神经网络的神经元包括width,height,depth三个信息量，需要注意的是，depth指的是神经元的深度[47]。图2.2卷积神经网络卷积神经网络主要包括卷积层、激活函数和池化层，激活函数常嵌套到卷积层中，常见结构如图2.3所示，各个卷积层单元之间前后递进，上一层的输出是下一层的输
基于深度学习的人脸表情识别方法的研究8神经网络特征所能看到的输入图像的区域，换句话说特征输出受感受野区域内的像素点的影响。这也是CNN的发展源头[45]，中心思想是对多维数据的处理，从底层局部的简单认知到层次抽象，再到语义理解，整个过程同人类的视觉感知模式相似。传统的人工神经网络包括基本的人工神经元，存在大量参数和偏置常量，具备反向传播功能[46]。神经元同人类的大脑机制相似，以独立的单元形式存在，在其单元范围内对输入的数据信息进行处理后，输出一系列代表不同类型概率的数值。传统的人工神经网络的结构如图2.1所示，从输入层到隐含层再到输出层，层与层之间是全连接的。图2.1传统的人工神经网络结构卷积神经网络与传统的人工神经网络具有相似的结构，包含有输入层，中间层和输出层。假设输入数据为图像，如图2.2所示，图像作为输入数据，代表不同的结构特征，数据输入之后，结合自身特点，渗透调整网络结构，减少参数冗余的现象，大大提升前馈函数的效率，提高整体网络模型的训练学习的速度。图像作为输入数据输入系统后，拆分为三维的立体结构，因此卷积神经网络的神经元包括width,height,depth三个信息量，需要注意的是，depth指的是神经元的深度[47]。图2.2卷积神经网络卷积神经网络主要包括卷积层、激活函数和池化层，激活函数常嵌套到卷积层中，常见结构如图2.3所示，各个卷积层单元之间前后递进，上一层的输出是下一层的输
本文编号：2927781
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/2927781.html
