基于机器学习的人脸微表情识别技术研究

发布时间：2021-08-21 01:16

　　表情是人类表达情感的重要非语言行为,无法抑制与伪造的微表情能够提供相比于宏表情更多的真实信息。微表情的持续时间极短,肉眼几乎无法捕捉,利用这个特性,微表情可用于测谎、心理咨询、国家安防,甚至于新型课堂教育中。日常生活中,除非经过专业的训练,想要人为判断微表情是非常困难的。而一位专业识别微表情的心理学家被培养起来也十分困难。于是如何利用机器自动识别微表情便成为了当下一个热门的研究方向。传统微表情自动识别方法大多需要预先手动对人脸浅层特征进行提取,这会加大很多工作量,并且还会存在丢失部分图像信息的问题,导致识别准确率达不到预期目标。近年来机器学习由于具有出色的特征提取与分类能力,被越来越多学者应用于图像分类识别领域。微表情识别作为其中的一个研究方向,相较于传统的分类识别方法,在准确率上也取得了不错的成果。不过,机器学习同时也伴随着参数爆炸、过拟合、硬件要求高、模型训练速度慢和无法保障实时性等问题。本文针对这些问题,提出了使用一种改进自原本用于分类处理一维数据的随机配置网络的,能够直接处理二维图像数据的二维随机配置网络来对微表情进行分类识别。其在保证准确率的同时,还降低了硬件的要求,提升了模... 

【文章来源】：大连海事大学辽宁省 211工程院校

【文章页数】：79 页

【学位级别】：硕士

【部分图文】：

图１．１本文内容结构??Ｆｉｇ．?１．１?Ｃｏｎｔｅｎｔ?ｓｔｒｕｃｔｕｒｅ??

各自的树突，这就完成了生物体内信息的交流。??简单来说，树突的作用是接受外界的刺激信号，而轴突可以将刺激信号处理，然后进行??传递。学者通过对这个传递过程进行分析，将其应用在计算机运算上，将复杂的问题通??过分割成若千小问题，构成人工神经网络，这样有利于将任意的非线性函数进行拟合操??作，可以将一些抽象的问题转化成通过计算机计算数学函数来解决。??多感知机整合的层级机器学习网络即是人工神经网络［３２］。人工神经网络中后一神经??元的输入即是所有前神经元的输出，下图是其网络模型：??图２．?１人工神经网络结构??Ｆｉｇ．?２．１?Ｔｈｅ?ｓｔｒｕｃｔｕｒｅ?ｏｆ?ａｒｔｉｆｉｃｉａｌ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ??－７?－??

?基于机器学习的人脸微表情识别技术研究???ｉ?？?’?．：?，??分析图２．１，我们可以清晰地看出人工神经网络的主要结构，即是输入层，隐藏层??与输出层。输入层对数据进行输入，对偏执单元进行添加；隐藏层中对偏置项单元进行??计算，更新隐含神经元；输出层则是对数据处理结果进行输出。为了更好地将问题转化??为非线性函数形式，人工神经网络中使用了多种感知机系统，其中通过不同的激活函数??可以区分功能［３３］。引用激活函数是为了网络能够利用梯度下降的方式来优化，所以其必??须可导。Ｓ型生长函数ｓｉｇｍｏｉｄ、双曲正切函数ｔａｎｈ以及线性整流函数Ｒｅｌｕ三种非线性??映射的激活函数是最常用的三种激活函数。??ｓｉｇｍｏｉｄ函数的表达式为??，⑵＝１?＋?ｅｘｐ（－ｚ）?（２－１）??ｓｉｇｍｏｉｄ的函数图像如图２．２所示。???Ｓｉｇｍｏｉｄａｌ?Ａｃｔｉｖａｔｉｏｎ?Ｆｕｎｃｔｉｏｎ???：ｌ７—??卜?／??Ｉ０４?ｉ?／??Ｌ?Ｊ??００?，???－１０．０?－７．５?－５．０?－２．５?０．０?２５?５．０?７．Ｓ?１０．０??Ａｃｔｉｖｉｔｙ?ｏｆ?Ｎｅｕｒｏｎ??图２．?２?ｓｉｇｍｏｉｄ函数图像??Ｆｉｇ．?２．２?Ｓｉｇｍｏｉｄ?ｆｕｎｃｔｉｏｎ?ｉｍａｇｅ??ｔａｎｈ函数的表达式为??ｅｚ?－?ｅ￣ｚ??’（ｚ）＝＾ｖ：ｚ?（２－２）??ｔａｎｈ的函数图像如图２．３所示。??－８?－??


本文编号：3354592