基于卷积神经网络的表情识别改进算法研究
随着人工智能的发展,情绪分析在社会上的重要性越发明显,其中人脸表情识别作为人与人之间情感交流的主要手段,在人机交互、公共安全、汽车驾驶、医疗辅助、公安系统以及课堂教学等领域有极大的应用潜力。因此,人脸表情识别作为一种影响巨大的关键技术,逐渐成为众多科研人员的研究重心。 在人脸表情识别过程中,易受到尺度、光照以及角度等因素的影响,采用计算机对人脸表情进行识别依然是一个较大的挑战。迄今为止,国内外研究人员所提出的各种方法仍然具有一定的缺陷。人脸表情识别依旧面临诸多问题: (1)表情数据集采集过程中易受到光照,姿态以及角度的影响。 (2)表情识别应用场景复杂。 (3)缺乏对动态序列的有效利用。 针对以上问题,本文主要研究内容如下: (1)提出一种基于结合改进VGGNet和聚焦损失函数人脸表情识别方法。采用VGG16网络模型的卷积模块和池化模块,设计了一个新的网络模型,通过深度可分离卷积的改进,使设计的网络模型具有更强的非线性能力,可以保存更多的通道信息。针对样本不平衡问题的研究,在Focal损失函数的基础上做出改进,通过设置概率阈值对误标注样本进行筛选,使模型具有更高的识别分类能力。 (2)提出一种基于三维卷积模型的微表情识别方法。该方法截取原始视频数据集的关键帧并融合,使其成为包含时序信息三维样本,在三维卷积的基础上设计MF3DCNN网络模型对预处理样本进行训练,可以较好提取样本连续关键帧中隐藏的时间和空间信息;通过DFocal损失函数优化模型损失;建立多粒度金字塔模型,通过划分不同尺度的样本提取从全局到局部的特征,有效利用了人脸各部分的差异性。
人脸表情识别;卷积神经网络;3D卷积;损失函数;多粒度特征
重庆师范大学
硕士
计算机应用技术
陈勇
2021
中文
TP391.41
2021-11-11(万方平台首次上网日期,不代表论文的发表时间)