基于深度学习的人脸表情识别算法研究

《基于深度学习的人脸表情识别算法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于深度学习的人脸表情识别算法研究-->第1章绪论人脸表情是人类交流的重要载体和非语言交流的一种重要方式，它不仅能够表达人类的情感状态、认知活动和人格特征，而且它所富含的人体行为信息与人的情感状态、精神状态、健康状态等其他因素有着极为密切的关联。心理学家Mehrabian提出[1]，在人类交流过程中，只有7％的信息量通过语言来表达，有38％通过辅助语言来传达，如节奏、语音、语调等，而人脸表情是占比重最大的一部分——能够达到信息总量的55％。因此，通过对于人脸表情的研究可以获得很多有价值的信息，从而分析人类的心理活动和精神状态。表情识别技术能够实现通过计算机来理解人类的情感，是量化分析人类情感

2、的基础和前提，对促进人机交互的发展起到重要作用。随着计算机技术和人工智能技术的水平不断提高以及、机器人等相关领域的蓬勃发展，市场对于智能化人机交互的需求也与日俱增。与此同时，众多的图像开源框架和高性能的硬件设备为表情识别的研究与应用在软件与硬件上提供了强有力的技术支持。目前，表情识别作为计算机视觉和机器学习领域的研究热点已经构成了跨越生物学、心理学和计算机视觉等多领域的交叉性课题。......第2章深度学习和卷积神经网络2.1深度学习研究表明，哺乳动物的大脑视觉皮层采用一种分层机制对输入信息进行处理[38]。信息从感知器官输入后，在经过每一层神经元时，神经元抽取能够体现对象本质的特征，再将这

3、些特征继续传递到下一层，后继的各层神经元也都以类似的方式处理和传递信息，最后传至大脑。深度神经网络受此启发，包含多层结点并使得信息得以逐层处理。一些浅层(指仅含一个隐含层)的算法层次较少，当给定有限的训练样本和神经元时，浅层结构难以有效地表示复杂的函数，并且对于复杂分类问题的表现性能及泛化能力均显不足，难以刻画目标对象的丰富含义。深度学习通过大量简单神经元组成的网络，利用输入与输出之间的非线性关系对复杂函数进行近似，对观测样本进行拟合，并在特征的抽取上体现了突出的能力。深度学习能够广泛普及有三个重要的原因，首先，计算机芯片的处理能力显著提高了，例如，通用图形处理单元（General-Purp

4、oseputingonGraphicsProcessingUnits，GPGPU）的出现，大大提高了深度神经网络的学习和训练速度。其次，硬件计算的成本显著降低，第三，机器学习和信号/信息处理研究的进步。2.2多层前馈网络其中参数ioid激活函数，如公式（2.4）所示。第3章人脸表情识别的深度连续卷积神经网络模型........................223.1深度连续卷积神经网络构建........223.2结构分析及参数优化..............................243.3实验与结果分析........273.第4章人脸表情识别系统的设计.......324.1

5、软件设计方案....................324.2主要功能的详细设计.................................354.3本章小结......................41第5章深度连续卷积神经网络模型的其它应用实验...................425.1手写数字识别...............425.2复杂彩色图像分类....................455.3本章小结.......46第5章深度连续卷积神经网络模型的其它应用实验5.1手写数字识别ModifiedNIST（MNIST）数据集[56]由NISTSpecialDataba

6、se3和SpecialDatabase1构成，是NIST的一个子集，作为一个大型的手写数字数据库，被广泛应用于机器学习等领域。NIST数据库构建之初使用SD-3作为训练数据集，SD-1作为测试数据集。但是由于SD-3的样本数据于美国人口调查局（CensusBureau）的员工，而SD-1的样本数据则于美国高中学生的手写数据。故SD-3的样本数据相比于SD-1的更加清晰且易于辨认。为了使得训练结果和测试结果能更加独立，免于所采用的数据集的影响，LeCun结合了这两个数据集的特点，构建了MNIST数据集。MNIST中的训练集选用了SD-3和SD-1中的各30000个样例，共60000个。抽选的6

7、0000个样例来自于大约250个不同的个体的手写数据，并且保证了测试集和训练集的数据来自于不同的个体。同样,测试集也选用了SD-3和SD-1中各5000个样例。MNIST数据集中的所有样本数据都经过了尺寸标准化和中心化，每张图片的尺寸为2828。数据集中部分数字的图像如图5.1所示，通过对图中样本数据的比较可以看出，手写数字中相同标签下不同图像之间的差异还是很大的。5.2复杂彩色图像分类CIFAR-10数据集