維度情感分析是情感計算領(lǐng)域的重要研究方向和研究熱點。人類情感的表達(dá)復(fù)雜且微妙,不受簡單的固定類別的情感標(biāo)簽限制,從理論而言,維度情感空間可涵蓋所有情感狀態(tài)。情感狀態(tài)的變化連續(xù)、緩慢、有規(guī)律可尋,受上下文語境及情境影響。本文針對維度情感分析提出了三種深度特征提取算法,其中所提出的時空融合深度特征提取算法,充分利用了人臉表情幀內(nèi)的空間特征和幀間的時序特征,取得了目前最優(yōu)的識別效果。具體研究內(nèi)容如下:（1）提出了一種人臉關(guān)鍵點約束對齊的維度情感深度特征提取算法一—Landmark CNN。相較于傳統(tǒng)特征提取算法,卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network,CNN）能夠從維度情感數(shù)據(jù)中學(xué)習(xí)到更抽象、更具判別性的特征。實驗結(jié)果表明,與傳統(tǒng)特征相比,CNN提取的深度特征可有效表示表情的空間特征并提高識別精度�？紤]到人臉姿態(tài)所帶來的影響,本文提出了人臉關(guān)鍵點約束對齊的維度情感深度特征提取算法。在數(shù)據(jù)預(yù)處理階段,對圖像進(jìn)行人臉關(guān)鍵點約束對齊;在特征提取階段,采用CNN提取空間特征。對比實驗結(jié)果表明,在AVEC2012數(shù)據(jù)集上,本文所提模型的TOP1識別精度比CNN模型高1.... 

【文章來源】：北京交通大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：67 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖１－２維度情感空間Ｗ??Ｆｉｇｕｒｅ?１－２?Ｓｐａｃｅ?ｏｆ?Ｄｉｍｅｎｓｉｏｎａｌ?Ｅｍｏｔｉｏｎ?［４１??

ＨＯＧ特征的收集。連接整體的向量得到ＨＯＧ特征。??（３）?ＨＯＧ特征可視化??圖２－１為ＨＯＧ特征的可視化圖，從圖中可見ＨＯＧ特征能夠很好的描述人臉??輪廓，但是對噪聲比較敏感，在眼角這樣的人臉表情敏感區(qū)域，特征提取很不明??顯。??Ｔ?…Ｏｒｉｇｉｎａｌ?ｉｍａｇｅ?—?—?—?Ｇｒａｙ?—?—?—?＇?Ｈ０６?卞議咖…??．：??ｉ?＊＞?＊?？ｅ?？?？?？?ｉｋ?ｎ?ｍ?ｍ?ｍ?ｔｎ?ｃ?免?你：－??圖２－１?ＨＯＧ特征可視化??Ｆｉｇｕｒｅ?２－１?Ｖｉｓｕａｌｉｚａｔｉｏｎ?ｏｆ?ＨＯＧ?ｆｅａｔｕｒｅ??２．１．２基于局部紋理的特征提取算法??在計算機視覺、圖像處理領(lǐng)域，局部二進(jìn)制模式（Ｌｏｃａｌ?Ｂｉｎａｒｙ?Ｐａｔｔｅｒｎｓ，ＬＢＰ）??［３４］作為紋理描述算子，可有效提取圖像局部紋理特征，具有旋轉(zhuǎn)不變性，以及光??照不變性。??（１）?ＬＢＰ特征??從圖像紋理的角度分析，圖像某像素點的紋理特征即此像素點與其周圍像素??點的關(guān)系，也就是此點與其鄰域內(nèi)像素點的關(guān)系。而ＬＢＰ構(gòu)建了一種衡量像素點??與其周圍像素點關(guān)系的描述。??（２）?ＬＢＰ原理??基本ＬＢＰ算子的計算過程：針對圖像中的每個像素，計算以其為中心的３Ｘ３??鄰域內(nèi)各像素和中心像素的大小關(guān)系，將像素的灰度值轉(zhuǎn)化為８位的二進(jìn)制序列。??（３）?ＬＢＰ特征的提取以及計算步驟??第一步

??（４）?ＬＢＰ可視化??圖２－２為ＬＢＰ特征的可視化圖，從圖中可見ＬＢＰ特征提取到的紋理比較粗糙，??容易導(dǎo)致紋理丟失。并且在眼睛這樣的人臉表情敏感區(qū)域紋理比較模糊。??Ｏｒｉｇｉｎａｌ?Ｉｍａｇｅ??Ｇｒａｙ?ＬＢＰ?Ｆｅａｔｕｒｅｓ??ｗｍｍ?；??｜?＊?＊?＾?？．?？．?ｔ?＾?ｍ?Ｕ＇，?ｓｉ％?§?秘?ｓｏｏ?脫??？？嫌魏嫌雜賺？嫌齡魏嫌嫌齡咖咖咖吩樹晰她似微晰挪齡撕的．齡賊觀財娜ｉ??圖２－２?ＬＢＰ特征可視化??Ｆｉｇｕｒｅ?２－２?Ｖｉｓｕａｌｉｚａｔｉｏｎ?ｏｆ?ＬＢＰ?ｆｅａｔｕｒｅ??２．２基于ＣＮＮ的維度情感深度特征提取算法??近年來，機器學(xué)習(xí)和人工智能的崛起，引起了深度學(xué)習(xí)的研究熱潮。深度神??經(jīng)網(wǎng)絡(luò)在情感分析、物體檢測、行為識別等領(lǐng)域迅速發(fā)展，大大提升了識別精度??和模型性能。??２．２．１深度特征提取算法框架??深度學(xué)習(xí)從本質(zhì)上講，是訓(xùn)練深層結(jié)構(gòu)模型的一種學(xué)習(xí)方法。深層結(jié)構(gòu)是相??較淺層結(jié)構(gòu)而定義的概念，淺層結(jié)構(gòu)模型一般具有一層或兩層非線性特征變換，??如尚斯混合模型（Ｇａｕｓｓｉａｎ?Ｍｉｘｔｕｒｅ?Ｍｏｄｅｌ，?ＧＭＭ）?［３５］、ＳＶＭ、含單層隱藏層的多??層感知器（Ｍｕｌｔｉ－ｌａｙｅｒＰｅｒｃｅｐｔｒｏｎ，ＭＬＰ）?［３６］。相關(guān)的研宄證明，淺層結(jié)構(gòu)模型在??內(nèi)部結(jié)構(gòu)相對簡單、約束強度小的數(shù)據(jù)研究領(lǐng)域內(nèi)


本文編號：3483887