论文部分内容阅读
人脸表情能够表达人类的情绪、意图等,人脸表情识别作为情感智能系统的关键技术,是实现人机交互的重要基础。传统的表情识别中依靠人工精心设计的特征提取算法,不仅复杂,还会一定程度上丢失原有的表情特征信息。近年来,深度学习作为以纯数据为驱动的特征学习算法,能够自主地学习到样本的更加本质的特征,因此,本文将深度学习引入人脸表情识别任务中,探讨及研究深度学习在表情识别中的应用。本文的主要研究工作及成果总结如下:(1)扩增了人脸表情库。人脸表情库是表情识别的基本条件,本文对现有的表情库进行人脸检测、归一化等预处理,并采用数据集扩增策略扩增了人脸表情库。(2)研究了一种基于深度置信网络(Deep Belief Network,DBN)的人脸表情识别方法。通过预训练和微调阶段调整优化DBN模型参数,最顶层BP网络输出表情分类结果,在CK+数据库上取得了91.16%的识别率。(3)研究了一种基于卷积神经网络(Convolutional Neural Network,CNN)的人脸表情识别方法。人脸表情的变化往往是细微的,CNN可以捕捉到图像的局部特征,组合低层特征构成更加抽象的高层特征,从而更适合于二维表情图像的分类。相比DBN,基于CNN的人脸表情识别方法取得的识别率提高了5.02%。(4)研究了一种基于NIN(Network in Network)的人脸表情识别方法。先对低层特征局部进行更好地抽象有利于提升高层特征的表征能力,NIN的卷积层具有较强的非线性特征提取能力,因而有利于复杂的人脸表情图像的非线性特征的抽象和表达。相比CNN,基于NIN的人脸表情识别方法取得的识别率进一步提高了2.79%。(5)实现了一个人脸表情识别演示系统。该系统主要分为两个功能,一是人脸表情自动识别,将人脸表情分为七类;二是卷积层可视化,可以直观地观察到每个卷积层卷积运算后输出的特征图。