人臉表情識(shí)別一直以來都是計(jì)算機(jī)視覺和機(jī)器學(xué)習(xí)領(lǐng)域的研究熱點(diǎn)。因?yàn)槿祟惸槻康牟煌砬榈牟町惙浅＜?xì)微,因此,讓計(jì)算機(jī)準(zhǔn)確的識(shí)別人臉面部表情是一項(xiàng)極具挑戰(zhàn)性的任務(wù)。此外,許多公開的人臉面部表情識(shí)別算法對(duì)在非限制條件下采集到的人臉圖像識(shí)別效果不佳,其表情識(shí)別算法距離實(shí)際應(yīng)用仍有較大的差距。傳統(tǒng)的表情識(shí)別算法通常只是用到圖像的空間結(jié)構(gòu)信息,但是表情的變化是一個(gè)動(dòng)態(tài)的過程,它在變化的過程中具有非常明顯的動(dòng)作變化特征,也就是時(shí)序的信息,該信息一般使用多幀圖像,利用光流算法來進(jìn)行獲取,但是這種方法所需要的計(jì)算資源過大,算法較為復(fù)雜。針對(duì)上述問題,本文采用基于深度時(shí)空信息融合的方法來提高人臉表情識(shí)別的正確率和魯棒性。本文的研究?jī)?nèi)容如下:（1）調(diào)研了常用的人臉表情特征提取算法和人臉表情分類方法,并對(duì)經(jīng)典的人臉表情識(shí)別系統(tǒng)進(jìn)行了重現(xiàn),對(duì)比了各個(gè)識(shí)別系統(tǒng)的識(shí)別正確率,并分析了這些識(shí)別系統(tǒng)的優(yōu)劣;（2）提出了針對(duì)人臉表情識(shí)別的特征提取方法,由于近年來,卷積神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別領(lǐng)域取得了巨大的成功,本文將其引入到表情識(shí)別領(lǐng)域并取得了不錯(cuò)的效果;為了進(jìn)一步提高表情識(shí)別的正確率,本文在利用表情圖像的空間特征之外,又介紹... 

【文章來源】：南京郵電大學(xué)江蘇省

【文章頁(yè)數(shù)】：66 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

通過KL變換之后的人臉圖像

圖 2.3 LBP 編碼過程示意圖LBP 特征值的定義，如公式 2.1 所示: 7i 01, 0s 2 s0, elseii cxLBP p p x (2.1其中，cP 表示中心像素點(diǎn)的灰度值，iP 表示其他像素點(diǎn)的灰度值。由于上述原理中，LBP 算子限定在一個(gè)固定的窗口中，只有當(dāng)特征恰好和該窗口大小相時(shí)，才能夠有效的提��；但是眾所周知，自然圖像中特征匹配度好的，肯定不止矩形一式，因此 Ojala 等人改進(jìn)并拓展了基本 LBP 算子的結(jié)構(gòu)，提出了一種圓形結(jié)構(gòu)的 LBP 算5]。在一幅灰度圖像中，定義了一個(gè)半徑為 R(R>0)的圓環(huán)形區(qū)域，在圓周上均勻分布了>0)個(gè)鄰域像素，如圖 2.4 所示.

向傳播就是要把這個(gè)誤差信息回傳給神經(jīng)網(wǎng)絡(luò)的每一層，每一層都會(huì)通過梯度的大小來自身的權(quán)值，讓誤差進(jìn)一步縮小。BP 算法中是使用用梯度下降法進(jìn)行權(quán)值更新的。oldloldlnewloldloldlnewlbEbbWEWW 其中 是梯度下降的學(xué)習(xí)率(learning rate)，該學(xué)習(xí)率控制參數(shù)更新的步長(zhǎng)，從公式(2.看出，梯度下降法更新權(quán)值，其核心就是求梯度矩陣，最直接的辦法就是利用誤差代價(jià)來計(jì)算參數(shù)的梯度，所以權(quán)值更新的本質(zhì)在于，神經(jīng)網(wǎng)絡(luò)的每一個(gè)參數(shù)可以依據(jù)各自的梯度，利用公式進(jìn)行參數(shù)更新。在權(quán)值不斷的更新之后，卷積神經(jīng)網(wǎng)絡(luò)就逐漸學(xué)習(xí)到了提取圖像特征的能力，如圖 2.11 所示不同的卷積核提取不同的特征，會(huì)生成不同的特征圖一層再將這些特征進(jìn)行進(jìn)一步的融合，提取更高層次的特征。

【參考文獻(xiàn)】：
期刊論文
[1]一種基于CLMF的深度卷積神經(jīng)網(wǎng)絡(luò)模型[J]. 隨婷婷,王曉峰.  自動(dòng)化學(xué)報(bào). 2016(06)



本文編號(hào)：3098404