论文部分内容阅读
随着人工智能和大数据技术的广泛应用,人脸识别和人脸表情识别受到了越来越多的关注。面部表情是人类传达情感的重要方式,面部表情的识别在诸多领域都有广泛的应用。目前,面部表情的识别效果在一定程度上满足了日常和社会需求。但是,受到分辨率低下、光线干扰、图像遮挡、表情微弱等因素的影响,面部表情的识别仍然有很大的研究空间。对于面部表情来说,除了日常具有明显外在表现的宏表情之外,还有一种令人难以察觉的面部细微变化的表情,称为微表情。基于微表情是人类不可抑制的自发表情,其在司法刑侦、公共安全、理疗健康等领域都有极高的应有价值,所以,近十年来微表情识别越来越受重视。微表情具有存在时间短暂、面部变化细微的特点,同时微表情的出现还伴随着人脸偏移遮挡、环境干扰因素多等特点。如何利用机器学习相关技术、模型对人类面部微表情进行识别具有很大的挑战。当前,深度学习的广泛应用在图像识别领域扮演了非常重要的角色,因此,本课题应用深度学习方法,对面部微表情进行认知和识别处理,具体工作包括以下几个方面:首先,改进光流法和卷积神经网络的面部微表情识别考虑到微表情序列片段存在一定的冗余,本课题仅使用数据集中每个样本的起始帧和顶点帧进行识别。光流法在提取细微的动态特征上具有高精度的优势,但其存在计算量大与易受光照影响的缺点。为了解决这个问题,引入改进光流法,通过使用轻量级卷积神经网络获得光流场,提取微表情的时序特征。同时,为了解决传统图像识别方法的识别率低和预处理复杂等问题,利用深度学习在图像识别上的优势,将卷积神经网络运用到微表情识别中,提取空间信息以进行微表情识别。在对基本面部微表情的识别中,对比传统分类方法具有较好的分类效果。其次,应用迁移学习方法对的面部微表情进行识别相比于浅层网络模型,深层网络模型更能提取出精细的特征,具有更强的拟合能力。但是,现有的微表情样本较少,如果在数据集上直接训练深层网络,易出现过拟合问题影响识别性能。为了解决这个问题,将迁移学习与深度学习相结合,增强网络的学习能力,加速深度卷积神经网络的训练过程,并提高识别能力。通过对比实验,验证了迁移学习在微表情识别上的有效性。最后,面部微表情识别原型系统的设计与实现在本课题的理论研究基础上,设计并实现基于深度学习的面部微表情识别原型系统。该系统运用面向对象的思想,能够展现本课题中算法的实现过程和结果,验证了本课题给出的算法在面部微表情识别的有效性和可行性。该论文有图41幅,表13个,参考文献80篇。