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）