本文關鍵詞：微表情識別的理論和方法研究

  更多相關文章： 微表情識別 微表情數(shù)據(jù)庫 深度學習 深度置信網(wǎng)絡 三維卷積神經(jīng)網(wǎng)絡 微表情檢測和識別系統(tǒng)

【摘要】：微表情是一種持續(xù)時間非常短暫的表情,它能夠表達人們想要隱藏的真實情感。近年來,微表情識別因為其潛在的應用價值而逐漸引起了研究者的關注。目前微表情識別的研究僅處于初始階段,一是微表情數(shù)據(jù)庫的稀少,二是由于微表情本身的細微行為特點導致大多數(shù)特征提取方法不魯棒。針對這些問題,本文受最近深度學習的巨大成功的啟發(fā),探索和研究其在微表情識別中的方法及應用。本文的主要工作總結(jié)如下：(1)建立了一個誘發(fā)的微表情數(shù)據(jù)庫。微表情數(shù)據(jù)庫是進行微表情識別研究的重要支撐,而目前通過誘發(fā)的微表情數(shù)據(jù)庫太稀少。本文搭建了微表情誘發(fā)環(huán)境,利用攝像機采集了被試觀看誘發(fā)視頻的微表情視頻,從中挑選出了微表情幀序列,標注了微表情的標簽,建立了微表情數(shù)據(jù)庫,并總結(jié)了建庫的一些難題。(2)概述了一套完整的微表情識別工作,包括微表情幀序列預處理、微表情檢測、微表情特征提取、微表情分類,進行了一系列基準實驗。(3)提出了一種基于深度置信網(wǎng)絡(Deep Belief Network, DBN)的微表情識別方法。將深度學習與微表情識別研究結(jié)合在一起,先對微表情數(shù)據(jù)進行擴充樣本,再提取動態(tài)特征輸入到深度置信網(wǎng)絡中,并在預訓練、微調(diào)過程中調(diào)節(jié)參數(shù),最終得到了較好的識別率。(4)提出了一種基于三維卷積神經(jīng)網(wǎng)絡(three dimensional Convolutional Neural Network,3D-CNN)的微表情識別方法。目前,卷積神經(jīng)網(wǎng)絡(CNN)是人們研究模式識別問題最常采用的深度學習網(wǎng)絡模型之一。然而,CNN的功能僅僅局限在對于2D輸入的處理。本文在CNN的基礎上,發(fā)展了一種三維卷積神經(jīng)網(wǎng)絡(3D-CNN)的網(wǎng)絡結(jié)構(gòu),用3D-CNN提取微表情動態(tài)視頻的特征,并對其進行分類。3D-CNN是一種新的深度學習網(wǎng)絡,增加了對于時間信息的卷積,因此可以處理各種3D輸入,可以應用于視頻系列分類任務。(5)開發(fā)了一個簡單的微表情自動檢測和識別系統(tǒng)。該系統(tǒng)分為兩個部分：一是微表情自動檢測部分,用來檢測微表情視頻的起始幀、峰值幀、結(jié)束幀；二是微表情自動識別部分,用來對微表情視頻進行五類情感分類。
【關鍵詞】：微表情識別 微表情數(shù)據(jù)庫 深度學習 深度置信網(wǎng)絡 三維卷積神經(jīng)網(wǎng)絡 微表情檢測和識別系統(tǒng)
【學位授予單位】：東南大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：B842.6;TP391.41
【目錄】：

• 摘要5-6
• Abstract6-10
• 第一章 緒論10-18
• 1.1 微表情問題的提出及界定10-11
• 1.1.1 微表情問題的提出10
• 1.1.2 微表情的界定10-11
• 1.2 微表情的國內(nèi)外研究進展11-15
• 1.2.1 微表情識別的心理學研究11-12
• 1.2.2 微表情識別的應用研究12-13
• 1.2.3 微表情表達的研究13
• 1.2.4 微表情自動識別的研究13-15
• 1.3 微表情的研究意義15
• 1.4 本文的主要工作15-18
• 1.4.1 本文的主要研究工作15-16
• 1.4.2 本文的組織框架16-18
• 第二章 微表情數(shù)據(jù)庫的建立18-32
• 2.1 引言18
• 2.2 國內(nèi)外現(xiàn)有的微表情數(shù)據(jù)庫介紹18-22
• 2.3 微表情數(shù)據(jù)庫建庫流程22-23
• 2.4 建立微表情數(shù)據(jù)庫的實驗準備23-27
• 2.4.1 實驗裝置及環(huán)境的搭建24
• 2.4.2 實驗誘發(fā)來源的選擇24-25
• 2.4.3 實驗被試的招募及確定25-27
• 2.5 實驗培訓及與預實驗27
• 2.6 實驗正式采集過程27-29
• 2.7 微表情數(shù)據(jù)庫的建立29-30
• 2.8 本章小結(jié)30-32
• 第三章 傳統(tǒng)的微表情識別方法32-50
• 3.1 引言32
• 3.2 微表情數(shù)據(jù)預處理32-36
• 3.2.1 人臉配準33-35
• 3.2.3 人臉切割和圖像歸一化35-36
• 3.3 微表情檢測36-40
• 3.3.1 光流法36-37
• 3.3.2 提取運動向量37-38
• 3.3.3 微表情相關信息的檢測38-40
• 3.3.4 微表情檢測實驗結(jié)果40
• 3.4 LBP-TOP特征提取40-46
• 3.4.1 LBP描述子40-42
• 3.4.2 LBP-TOP特征42-44
• 3.4.3 微表情LBP-TOP特征提取44-46
• 3.5 實驗結(jié)果與分析46-48
• 3.6 本章小結(jié)48-50
• 第四章 基于DBN的微表情識別50-64
• 4.1 引言50
• 4.2 深度學習50-53
• 4.2.1 深度學習的發(fā)展歷程50-51
• 4.2.2 深度學習的定義51-53
• 4.2.3 深度學習的分類53
• 4.3 深度置信網(wǎng)絡(DBN)53-59
• 4.3.1 受限玻爾茲曼機54-57
• 4.3.2 BP網(wǎng)絡57-59
• 4.4 實驗59-62
• 4.4.1 實驗數(shù)據(jù)擴樣本預處理59-60
• 4.4.2 實驗設計60-61
• 4.4.3 實驗結(jié)果與分析61-62
• 4.5 本章小結(jié)62-64
• 第五章 基于3D-CNN特征的微表情識別64-80
• 5.1 引言64
• 5.2 卷積神經(jīng)網(wǎng)絡64-69
• 5.2.1 卷積神經(jīng)網(wǎng)絡的介紹64-65
• 5.2.2 卷積神經(jīng)網(wǎng)絡的結(jié)構(gòu)65-67
• 5.2.3 卷積層67
• 5.2.4 池化層67-68
• 5.2.5 卷積神經(jīng)網(wǎng)絡的激活函數(shù)68-69
• 5.3 三維卷積神經(jīng)網(wǎng)絡69-72
• 5.3.1 三維卷積神經(jīng)網(wǎng)絡的概述69
• 5.3.2 3D-CNN的網(wǎng)絡結(jié)構(gòu)69-72
• 5.4 實驗設計72-76
• 5.4.1 實驗數(shù)據(jù)預處理72-74
• 5.4.2 網(wǎng)絡結(jié)構(gòu)設計74-76
• 5.5 實驗結(jié)果與分析76-79
• 5.6 本章小結(jié)79-80
• 第六章 微表情自動檢測和識別系統(tǒng)80-84
• 6.1 引言80
• 6.2 系統(tǒng)界面主要功能80-84
• 第七章 總結(jié)與展望84-86
• 7.1 本文工作總結(jié)84-85
• 7.2 后續(xù)研究探討85-86
• 致謝86-88
• 參考文獻88-91

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前2條

1 余凱;賈磊;陳雨強;徐偉;;深度學習的昨天、今天和明天[J];計算機研究與發(fā)展;2013年09期

2 ;Effects of the duration of expressions on the recognition of microexpressions[J];Journal of Zhejiang University-Science B(Biomedicine & Biotechnology);2012年03期

，

本文編號：860074