面部表情在人類(lèi)情感表達(dá)和信息傳遞中起著至關(guān)重要的作用。如果計(jì)算機(jī)能夠具有理解和表達(dá)情感的能力,根據(jù)人類(lèi)的表情判斷人類(lèi)的需求、心情和愛(ài)好等信息,計(jì)算機(jī)將會(huì)更好的為人類(lèi)服務(wù)。這在人機(jī)交互、安防、機(jī)器人制造、醫(yī)療、通信和汽車(chē)等領(lǐng)域均具有很強(qiáng)的理論意義和實(shí)用價(jià)值。隨著人工智能技術(shù)的飛速發(fā)展,面部表情識(shí)別的研究已取得了一定的成果。但主要針對(duì)訓(xùn)練集和測(cè)試集樣本源于同一個(gè)數(shù)據(jù)庫(kù),識(shí)別時(shí)通常假設(shè)樣本具有相同的特征分布。在實(shí)際情況下,采集環(huán)境和設(shè)備等的不同,會(huì)導(dǎo)致樣本分布不同。此時(shí)傳統(tǒng)的面部表情識(shí)別方法訓(xùn)練的分類(lèi)器將不再適用。論文針對(duì)測(cè)試集樣本標(biāo)簽完全未知的無(wú)監(jiān)督跨庫(kù)面部表情識(shí)別進(jìn)行了一系列研究。主要研究成果如下:（1）提出了一種關(guān)鍵幀提取的方法,利用各幀圖像與模板幀直方圖相似度對(duì)比,選擇合適的閾值,進(jìn)行關(guān)鍵幀提取,解決了一個(gè)鏡頭下過(guò)多冗余信息會(huì)造成算法空間復(fù)雜度過(guò)高的問(wèn)題。對(duì)CK+、Oulu-CASIAVIS、Oulu-CASIANIR、eNTERFACE四個(gè)數(shù)據(jù)庫(kù)進(jìn)行關(guān)鍵幀提取,利用關(guān)鍵幀數(shù)據(jù)集進(jìn)行面部表情識(shí)別實(shí)驗(yàn)。利用仿射變換進(jìn)行數(shù)據(jù)庫(kù)人臉?lè)指?為后續(xù)面部表情特征提取及識(shí)別做準(zhǔn)備。（2）提出了一種... 

【文章來(lái)源】：天津理工大學(xué)天津市

【文章頁(yè)數(shù)】：110 頁(yè)

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 課題研究的背景和意義
    1.2 面部表情識(shí)別研究現(xiàn)狀及挑戰(zhàn)
        1.2.1 面部表情數(shù)據(jù)庫(kù)
        1.2.2 面部表情特征提取
        1.2.3 面部表情識(shí)別國(guó)內(nèi)外研究現(xiàn)狀
        1.2.4 面部表情識(shí)別面臨的挑戰(zhàn)
    1.3 本文研究?jī)?nèi)容和具體工作
    1.4 章節(jié)安排
第二章 遷移學(xué)習(xí)及其在跨庫(kù)情感識(shí)別中的應(yīng)用
    2.1 遷移學(xué)習(xí)
        2.1.1 遷移學(xué)習(xí)定義和分類(lèi)
        2.1.2 領(lǐng)域自適應(yīng)處理方法
    2.2 跨庫(kù)情感識(shí)別
        2.2.1 跨庫(kù)面部表情識(shí)別
        2.2.2 跨庫(kù)語(yǔ)音情感識(shí)別
        2.2.3 跨庫(kù)腦電情感識(shí)別
    2.3 本章總結(jié)
第三章 基于關(guān)鍵幀序列的動(dòng)態(tài)面部表情識(shí)別
    3.1 表情數(shù)據(jù)庫(kù)人臉?lè)指罘椒?br>    3.2 基于閾值的關(guān)鍵幀提取方法研究
        3.2.1 關(guān)鍵幀提取
        3.2.2 面部表情特征提取
    3.3 實(shí)驗(yàn)描述與結(jié)果分析
        3.3.1 數(shù)據(jù)庫(kù)及實(shí)驗(yàn)協(xié)議
        3.3.2 實(shí)驗(yàn)結(jié)果及分析
        3.3.3 固定尺寸網(wǎng)格空時(shí)描述子特征識(shí)別率比較
        3.3.4 交叉驗(yàn)證與特征提取時(shí)間對(duì)比
    3.4 本章總結(jié)
第四章 基于領(lǐng)域自適應(yīng)子空間學(xué)習(xí)的跨庫(kù)面部表情識(shí)別
    4.1 基于領(lǐng)域自適應(yīng)子空間學(xué)習(xí)的面部表情識(shí)別方法研究
        4.1.1 整體框圖和基本思想
        4.1.2 領(lǐng)域自適應(yīng)子空間學(xué)習(xí)模型構(gòu)建
        4.1.3 領(lǐng)域自適應(yīng)子空間學(xué)習(xí)模型優(yōu)化
        4.1.4 面部表情標(biāo)簽預(yù)測(cè)
    4.2 實(shí)驗(yàn)描述及結(jié)果對(duì)比分析
        4.2.1 面部表情數(shù)據(jù)庫(kù)和實(shí)驗(yàn)方案
        4.2.2 對(duì)比方法及參數(shù)設(shè)置
        4.2.3 實(shí)驗(yàn)結(jié)果及分析
        4.2.4 數(shù)據(jù)庫(kù)樣本及類(lèi)別不平衡問(wèn)題進(jìn)一步分析
    4.3 本章總結(jié)
第五章 基于超寬回歸網(wǎng)絡(luò)的無(wú)監(jiān)督跨庫(kù)面部表情識(shí)別
    5.1 基于超寬回歸網(wǎng)絡(luò)面部表情識(shí)別方法研究
        5.1.1 線性回歸
        5.1.2 超寬回歸網(wǎng)絡(luò)模型構(gòu)建
    5.2 實(shí)驗(yàn)結(jié)果及分析
        5.2.1 數(shù)據(jù)準(zhǔn)備和試驗(yàn)方案
        5.2.2 超寬回歸網(wǎng)絡(luò)穩(wěn)定性分析
        5.2.3 不同參數(shù)設(shè)置特征的實(shí)驗(yàn)結(jié)果和討論
    5.3 本章總結(jié)
第六章 基于卷積神經(jīng)網(wǎng)絡(luò)的無(wú)監(jiān)督跨庫(kù)面部表情識(shí)別
    6.1 基于深度自適應(yīng)回歸網(wǎng)絡(luò)面部表情識(shí)別方法研究
        6.1.1 VGG16 網(wǎng)絡(luò)模型
        6.1.2 深度自適應(yīng)回歸網(wǎng)絡(luò)框圖
        6.1.3 深度自適應(yīng)回歸網(wǎng)絡(luò)模型的構(gòu)建
    6.2 實(shí)驗(yàn)描述及分析
        6.2.1 實(shí)驗(yàn)設(shè)置
        6.2.2 結(jié)果及討論
    6.3 本章總結(jié)
第七章 工作總結(jié)與展望
    7.1 工作總結(jié)
    7.2 工作展望
參考文獻(xiàn)
發(fā)表論文和參加科研情況說(shuō)明
致謝



本文編號(hào)：3482591