面部表情識別一直以來是一個有趣且富有挑戰(zhàn)性的問題,在實際應(yīng)用中容易受到各種因素的影響,諸如光照、姿勢、面部遮擋、年齡、種族等因素。據(jù)研究表明,傳統(tǒng)手工提取的特征無法解決與面部表情無關(guān)的各種因素,為了解決這一問題本文采用卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network,CNN）,可以輸入原始數(shù)據(jù),將特征提取和分類結(jié)合,其模型擁有數(shù)千萬參數(shù)可以處理大量的訓(xùn)練樣本,是一個強大的自動特征提取器。目前最先進的算法表明,使用CNN集成可以勝過單個CNN分類器。因此,本文針對以上問題對優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)、學(xué)習基本分類器的最佳組合規(guī)則來提高表情識別精度開展研究。主要工作及創(chuàng)新點如下:1、受VGG網(wǎng)絡(luò)整潔結(jié)構(gòu)以及Xception結(jié)構(gòu)的啟發(fā),設(shè)計了3個不同結(jié)構(gòu)化子卷積神經(jīng)網(wǎng)絡(luò),以保證網(wǎng)絡(luò)的互補性,緊湊而有效的網(wǎng)絡(luò)設(shè)計使其足以完成任務(wù)并易于訓(xùn)練。通過引入全局平均池化層代替全連接層減少模型參數(shù)量,同時保證了模型識別率,引入包含4個殘差深度可分離卷積模塊可以在加深網(wǎng)絡(luò)的同時進一步減少網(wǎng)絡(luò)參數(shù)。此外在網(wǎng)絡(luò)中加入批量歸一化和L2范式以解決過擬合問題、提高網(wǎng)絡(luò)泛化能力。在CK+數(shù)據(jù)集和FER-... 

【文章來源】：青島大學(xué)山東省

【文章頁數(shù)】：65 頁

【學(xué)位級別】：碩士

【部分圖文】：

AlexNet網(wǎng)絡(luò)模型

GoogLeNet結(jié)構(gòu)

青島大學(xué)碩士學(xué)位論文12圖2.3Inception模塊（3）VGGNet2014年著名的牛津大學(xué)視覺組提出VGG網(wǎng)絡(luò)[58]，并取得了ILSVRC-2014比賽定位任務(wù)的第一名和分類任務(wù)的第二名。這是一種只專注于構(gòu)建卷積層的簡單網(wǎng)絡(luò)，結(jié)構(gòu)規(guī)整，沒有那么多的超參數(shù)，一個重要特性是由許多具有3×3小濾波器的卷積層彼此堆疊來模仿出更大的感受野的效果，而不是像先前的CNN模型那樣使用具有更大濾波器尺寸的單個卷積層。網(wǎng)絡(luò)配置如圖2.4[58]所示。隨著添加更多的層（所添加的層以粗體顯示），配置的深度從左側(cè)（A）向右側(cè)（E）增大。卷積層參數(shù)被表示為“感受域大小i-通道數(shù)h”，為簡潔起見，未顯示ReLU激活功能。在VGG網(wǎng)絡(luò)結(jié)構(gòu)中，為了保證卷積后的圖像大小不變，對圖像四周各填充1個像素。池化層大小都為2×2，步長為2。有3層全連接層，分別包括4096、4096、1000個節(jié)點。VGG網(wǎng)絡(luò)的所有層都采用了ReLU激活函數(shù)，除最后一個全連接層外。與AlexNet相比，VGG去掉了局部響應(yīng)歸一化層（LocalResponseNormalization，LRN），因為作者在實驗中發(fā)現(xiàn)LRN的作用并不明顯。后續(xù)的網(wǎng)絡(luò)架構(gòu)中也應(yīng)用了這些思想，比如Inception與ResNet。目前仍經(jīng)常用VGG網(wǎng)絡(luò)來提取圖像特征，其拓展性很強，遷移到其他圖片數(shù)據(jù)上的泛化性很好，被廣泛應(yīng)用于計算機視覺領(lǐng)域的各類任務(wù)。在文獻[59]中對VGG16網(wǎng)絡(luò)進行微調(diào)構(gòu)建了一個加權(quán)混合深度神經(jīng)網(wǎng)絡(luò)來自動提取特征，其處理面部灰度圖像及其相應(yīng)的局部二值模式面部圖像這兩個通道，輸出以加權(quán)方式進行融合，局部二值模式和灰度人臉圖像的有效結(jié)合保證了泛化能力。

【參考文獻】：
期刊論文
[1]人臉微表情識別綜述[J]. 徐峰,張軍平.  自動化學(xué)報. 2017(03)
[2]基于ROI-KNN卷積神經(jīng)網(wǎng)絡(luò)的面部表情識別[J]. 孫曉,潘汀,任福繼.  自動化學(xué)報. 2016(06)



本文編號：2949408