發(fā)布時間：2020-06-20 00:54

【摘要】：隨著人工智能的發(fā)展,人臉表情分析在人機交互、醫(yī)療等領域發(fā)揮著越來越重要的作用,基本表情(開心、悲傷、驚訝、恐懼、生氣和厭惡)的分析技術日益成熟。但依然存在兩個問題,一是基本表情難以表達人們豐富的情感,二是基本表情可偽造、可抑制,難以反映人們的真實情感。面部活動單元定義人臉不同區(qū)域的肌肉活動,通過面部活動單元組合能夠表達更加豐富的情感;微表情作為一種自發(fā)式的表情,能夠反映人們內心的真實情感。本文針對人臉面部活動單元檢測和人臉微表情分析進行了研究。論文的主要研究工作如下:1.在人臉面部活動單元的特征提取上,對比分析了傳統(tǒng)方法和卷積神經網(wǎng)絡的優(yōu)劣,并采用遷移學習下的經典卷積神經網(wǎng)絡完成面部活動單元的特征提取,實驗結果表明該方式下提取的特征相比于其他方法,更加有效;2.本文采用受限玻爾茲曼機建立面部活動單元標簽分布,發(fā)掘面部活動單元之間的相互關系,并以此建立未標注圖像和標注圖像之間的聯(lián)系,將未標注圖像加入到模型的訓練中,實現(xiàn)了半監(jiān)督面部活動單元檢測;3.對于具有時序信息的面部活動單元圖像,本文提出了卷積神經網(wǎng)絡和循環(huán)神經網(wǎng)絡組合的結構形式,利用卷積神經網(wǎng)絡和循環(huán)神經網(wǎng)絡分別提取圖像的空間特征和圖像間時序特征,實現(xiàn)同時對多張圖像進行面部活動單元檢測;4.由于微表情具有發(fā)生強度低、持續(xù)時間短兩個特點,對于微表情識別,本文根據(jù)人臉肌肉結構進行區(qū)域劃分,并通過密集采樣獲取能夠表達主要表情變化的人臉特征點,利用光流法量化各個區(qū)域特征點的變化,結合以上三點提出了密集采樣下光流平均幅度角度特征DS-OMMA,實驗結果表明,本文提出的方法在微表情的兩個主要數(shù)據(jù)集上具有目前最好的識別準確率,同時通過特征可視化,進一步驗證了本文提出的特征能夠更好地描述不同微表情的特點。
【學位授予單位】：北京郵電大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP391.41;TP18
【圖文】：

征＋分類器”的學習方式，卷積神經網(wǎng)絡更有可能獲得全局最優(yōu)解。本節(jié)介紹卷逡逑積神經網(wǎng)絡的一些重要模塊，正是這些模塊的疊加讓卷積神經網(wǎng)絡具有強大的特逡逑征表示能力。圖２－１是卷積神經網(wǎng)絡基本流程圖。逡逑損失（ｌｏｓｓ）逡逑邐邐１邋卷邋？邋池邋卷邐激邋池全全逡逑原始數(shù)據(jù)一？邐活—？邐｛Ｖ邐￣？邐ｊｐ邋■邋？■活＿＊仆＿＿＊■連＿＊連＿Ｊ夫逡逑■數(shù)據(jù)邋Ｉ、１函邋ｓ邋Ｓ邐函邋Ｓ邋接接函逡逑杈數(shù)l勌沖問尾沐宀闔殄義賢跡玻本砘窬緇玖鞒掏煎義希玻保本砘沐義暇砘ǎ茫錚睿觶錚歟酰簦椋錚睿┑鬧饕康氖譴郵淙臚枷裰謝袢√卣鰨哂芯植苛雍灣義先ㄖ倒蠶淼奶氐�。卷积可裔jü郵淙氳囊恍】槭葜醒У酵枷竦奶卣鰨⒛芄誨義媳Ａ糲袼丶淶目占涔叵�。辶x希瑰義

本文編號：2721608