發(fā)布時(shí)間：2022-10-20 18:38

　　人臉表情識(shí)別在安全駕駛、醫(yī)療看護(hù)、教育及商業(yè)銷售等領(lǐng)域有著廣泛的應(yīng)用前景。研究人臉表情的快速準(zhǔn)確識(shí)別方法將有助于為不同領(lǐng)域的人臉表情識(shí)別提供必要的技術(shù)支持�；谏疃染矸e神經(jīng)網(wǎng)絡(luò)的表情識(shí)別算法比傳統(tǒng)的表情識(shí)別算法識(shí)別準(zhǔn)確率高,然而深度卷積神經(jīng)網(wǎng)絡(luò)模型存在參數(shù)多、結(jié)構(gòu)復(fù)雜而導(dǎo)致模型訓(xùn)練速度慢及網(wǎng)絡(luò)在自主學(xué)習(xí)提取表情特征的過程中存在一定的隨意性而導(dǎo)致模型提取到的人臉表情特征表現(xiàn)力不足等問題,這些問題嚴(yán)重影響到算法模型的識(shí)別效果。針對(duì)這些問題,本文進(jìn)行了深入研究。首先,本文設(shè)計(jì)了一種基于分組重組殘差網(wǎng)絡(luò)的表情識(shí)別算法。該算法利用分組卷積代替標(biāo)準(zhǔn)卷積提取人臉表情特征信息,為了有效地融合不同組輸出的表情特征信息,在分組卷積中加入通道重組,通過殘差網(wǎng)絡(luò)的跨連接傳遞不同層次的表情特征,實(shí)現(xiàn)了卷積網(wǎng)絡(luò)的不同層次之間的表情特征傳遞和融合,本文算法有效地減少了網(wǎng)絡(luò)模型的參數(shù)數(shù)量,防止了網(wǎng)絡(luò)模型在訓(xùn)練中出現(xiàn)整體性能退化的情況,提高網(wǎng)絡(luò)的訓(xùn)練速度及識(shí)別準(zhǔn)確率。其次,本文設(shè)計(jì)了一種基于多注意力機(jī)制的分組殘差網(wǎng)絡(luò)表情識(shí)別算法。針對(duì)卷積神經(jīng)網(wǎng)絡(luò)提取的表情特征表現(xiàn)性不強(qiáng)的問題,利用通道及空間注意力機(jī)制融合算法,有效提取... 

【文章頁數(shù)】：56 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
1 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀及發(fā)展趨勢(shì)
    1.3 本文主要的工作
    1.4 論文組織結(jié)構(gòu)
2 表情識(shí)別相關(guān)理論
    2.1 表情識(shí)別相關(guān)理論
        2.1.1 表情圖像預(yù)處理
        2.1.2 表情特征提取
        2.1.3 表情分類
    2.2 深度學(xué)習(xí)
    2.3 卷積神經(jīng)網(wǎng)絡(luò)
    2.4 本章小結(jié)
3 基于分組重組殘差網(wǎng)絡(luò)的表情識(shí)別算法
    3.1 算法設(shè)計(jì)思想
    3.2 基于GS-Res Net的表情特征提取模塊
        3.2.1 分組重組
        3.2.2 殘差網(wǎng)絡(luò)
        3.2.3 改進(jìn)的表情特征提取模塊
    3.3 基于GS-Res Net的表情識(shí)別算法模型設(shè)計(jì)
    3.4 基于GS-Res Net的表情識(shí)別算法實(shí)現(xiàn)
    3.5 實(shí)驗(yàn)設(shè)計(jì)
        3.5.1 實(shí)驗(yàn)環(huán)境
        3.5.2 表情數(shù)據(jù)庫
        3.5.3 實(shí)驗(yàn)參數(shù)設(shè)置
    3.6 實(shí)驗(yàn)結(jié)果分析
    3.7 本章小結(jié)
4 基于多注意力機(jī)制的分組殘差網(wǎng)絡(luò)表情識(shí)別算法
    4.1 算法設(shè)計(jì)思想
    4.2 基于MAG-Res Net的表情特征提取模塊
        4.2.1 注意力機(jī)制
        4.2.2 改進(jìn)的表情特征提取模塊
    4.3 基于MAG-Res Net的表情識(shí)別算法模型設(shè)計(jì)
    4.4 基于MAG-Res Net的表情識(shí)別算法實(shí)現(xiàn)
    4.5 實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析
        4.5.1 實(shí)驗(yàn)配置
        4.5.2 表情數(shù)據(jù)集
        4.5.3 實(shí)驗(yàn)參數(shù)設(shè)置
        4.5.4 實(shí)驗(yàn)結(jié)果分析
    4.6 本章小結(jié)
5 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
致謝
參考文獻(xiàn)
附錄


【參考文獻(xiàn)】：
期刊論文
[1]基于改進(jìn)Faster-RCNN的自然場(chǎng)景人臉檢測(cè)[J]. 李祥兵,陳煉.  計(jì)算機(jī)工程. 2021(01)
[2]基于注意力機(jī)制和混合網(wǎng)絡(luò)的小群體情緒識(shí)別[J]. 季欣欣,邵潔,錢勇生.  計(jì)算機(jī)工程與設(shè)計(jì). 2020(06)
[3]結(jié)合LBP和SVM的視頻表情識(shí)別方法[J]. 姚麗莎,徐國(guó)明,房波,何世雄,周歡.  山東理工大學(xué)學(xué)報(bào)(自然科學(xué)版). 2020(04)
[4]基于新增haar特征和改進(jìn)AdaBoost的人臉檢測(cè)算法[J]. 張彩麗,劉廣文,詹旭,才華,劉智.  長(zhǎng)春理工大學(xué)學(xué)報(bào)(自然科學(xué)版). 2020(02)
[5]基于空間注意力機(jī)制的行人再識(shí)別方法[J]. 張子昊,周千里,王蓉.  北京航空航天大學(xué)學(xué)報(bào). 2020(09)
[6]基于改進(jìn)LBP的人臉面部表情特征提取方法（英文）[J]. 王思明,梁運(yùn)華.  Journal of Measurement Science and Instrumentation. 2019(04)
[7]基于多方向Gabor特征圖稀疏表示的魯棒人臉識(shí)別方法[J]. 徐望明,張培,伍世虔.  北京理工大學(xué)學(xué)報(bào). 2019(07)
[8]網(wǎng)中網(wǎng)殘差網(wǎng)絡(luò)模型的表情圖像識(shí)別研究[J]. 裴頌文,楊保國(guó),顧春華.  小型微型計(jì)算機(jī)系統(tǒng). 2018(12)
[9]基于加權(quán)KNN與隨機(jī)森林的表情識(shí)別方法[J]. 馮開平,賴思淵.  軟件導(dǎo)刊. 2018(11)
[10]基于改進(jìn)深度殘差網(wǎng)絡(luò)的低功耗表情識(shí)別[J]. 杜進(jìn),陳云華,張靈,麥應(yīng)潮.  計(jì)算機(jī)科學(xué). 2018(09)



本文編號(hào)：3695094