基于深度學習的表情識別方法研究.pdf

1、人臉表情是人類交流的一種必不可少的方式，通過對人臉表情的研究可以探索人類的心理狀態(tài)，進而充分的了解人們的行為意圖。深度學習是一種特征學習方法，通過一些簡單的非線性的模型把數(shù)據(jù)轉變成為更高層次的，更加抽象的表達，可以解決語音處理、計算機視覺、自然語言處理等問題。本文利用深度學習來解決表情識別中的一些問題，并通過實驗進行了驗證。本文的主要研究內容如下：
　　1．本文研究了多種類型的深度學習模型，按結構可分為深度卷積神經(jīng)網(wǎng)絡、深度信念網(wǎng)

2、絡、深度玻爾茲曼機、堆疊自動編碼器和遞歸神經(jīng)網(wǎng)絡等。它們算法各異，且所適用領域也不相同。因此，選擇合適的深度學習模型是解決表情識別問題的關鍵。本文經(jīng)過對比論證發(fā)現(xiàn)，深度卷積神經(jīng)網(wǎng)絡其獨特局部連接與權值共享機制可以解決表情識別中特征維數(shù)大，計算困難等問題。因此，本文選擇深度卷積神經(jīng)網(wǎng)絡作為本文的深度學習模型。
　　2．針對靜態(tài)表情識別中提取特征會損失圖像原有的特征信息的問題，提出利用深度學習模型中的深度卷積神經(jīng)網(wǎng)絡實現(xiàn)表情特征提取。

3、由于深度卷積神經(jīng)網(wǎng)絡避免了對圖像的復雜前期預處理，可以直接輸入原始圖像，它通過卷積與池化的共同作用進行特征提取，不需要人為提取特征，并且網(wǎng)絡易于訓練，比那種全連接的神經(jīng)網(wǎng)絡的泛化性能更好，因此將深度卷積神經(jīng)網(wǎng)絡應用靜態(tài)表情識別中。
　　3．針對動態(tài)表情識別中系統(tǒng)抗干擾性差，運算速度慢以及實時性差等問題，提出利用深度卷積神經(jīng)網(wǎng)絡實現(xiàn)動態(tài)表情特征提取。由于動態(tài)表情識別系統(tǒng)輸入的實時獲取的動態(tài)人臉表情序列，與靜態(tài)表情識別不同，這需要系統(tǒng)

4、實時將獲取到的人臉進行存儲和識別。為了解決這一問題，利用Haar分類器進行人臉檢測，再引入深度卷積神經(jīng)網(wǎng)絡，通過它構建圖像的本質特征，提取表情特征，最后運用Softmax分類器實現(xiàn)表情分類。
　　4．為了提高深度卷積神經(jīng)網(wǎng)絡的非線性表達能力，從而實現(xiàn)更好地表情特征提取，對網(wǎng)絡結構進行改進，利用深度連續(xù)卷積神經(jīng)網(wǎng)絡來實現(xiàn)表情識別。本文對深度卷積神經(jīng)網(wǎng)絡進行改進，引用多層小尺度卷積代替單層大尺度卷積的思想，即利用2層連續(xù)卷積層來代替單