人臉表情識(shí)別關(guān)鍵技術(shù)的研究.pdf

1、無論是語言的還是非語言形式的溝通，在人們的日常生活與工作中都是非常重要的，而面部表情則是非語言溝通中最有效的溝通方式，表情可以為我們提供情感狀態(tài)、心態(tài)、意圖等線索。關(guān)于面部表情識(shí)別的應(yīng)用也正在滲透至各個(gè)領(lǐng)域，如安全駕駛、商品銷售、臨床醫(yī)學(xué)等等。本文對(duì)面部表情識(shí)別相關(guān)技術(shù)進(jìn)行研究，主要工作及貢獻(xiàn)如下:
　　(1)基于WPCANet及分塊加權(quán)直方圖的靜態(tài)表情識(shí)別。
　　將分塊WPCA的非監(jiān)督式濾波器組的學(xué)習(xí)與深度卷積神經(jīng)網(wǎng)絡(luò)的多

2、階段特征提取結(jié)構(gòu)相結(jié)合，構(gòu)建WPCANet網(wǎng)絡(luò)模型，實(shí)現(xiàn)關(guān)于靜態(tài)人臉表情特征的非監(jiān)督式多階段提取;進(jìn)一步基于訓(xùn)練樣本的表情類別信息，生成體現(xiàn)類鑒別特性的權(quán)重圖像，在此基礎(chǔ)上實(shí)現(xiàn)關(guān)于人臉表情樣本特征的加權(quán)分塊直方圖描述;最終結(jié)合線性C-SVM分類模型，完成基于靜態(tài)人臉圖像的七種基本表情類型的識(shí)別。
　　基于JAFFE靜態(tài)表情庫的實(shí)驗(yàn)驗(yàn)證了算法的有效性。
　　(2)基于多視覺描述子及音頻特征的動(dòng)態(tài)表情識(shí)別。
　　研究非約束

3、條件下人臉動(dòng)態(tài)表情識(shí)別，提出了一種基于多視覺描述子及音頻特征融合策略的動(dòng)態(tài)表情識(shí)別算法。借助多視覺描述子的空時(shí)局部特征描述實(shí)現(xiàn)動(dòng)態(tài)表情特征的提取;而視頻、音頻特征的融合策略改善了表情識(shí)別性能?；趨f(xié)方差矩陣及時(shí)間軸分段的動(dòng)態(tài)規(guī)整，有效地解決了具有不同時(shí)長(zhǎng)的動(dòng)態(tài)表情序列的樣本描述。
　　為進(jìn)一步改善表情識(shí)別模型的泛化性能，本文引入了基于多個(gè)體識(shí)別模型加權(quán)投票的集成識(shí)別模型。針對(duì)投票過程中的權(quán)值學(xué)習(xí)，提出了基于隨機(jī)重采樣的投票權(quán)重學(xué)習(xí)