基于提升训练和卷积神经网络的人脸表情识别技术研究

摘要

人脸表情识别是一个具有挑战性的工作，大量的研究员对它进行了研究。人脸表情识别的方法按照不同的角度有不同的分类，有基于人脸表情外观的特征和基于人脸几何图形的方法，有基于图像序列的方法和基于单图像的方法，也有基于特征提取的方法和基于特征分类的方法。
　　本论文结合不平衡数据学习的思路，提出了提升训练的卷积神经网络框架对人脸表情识别进行研究。论文的主要工作分为以下几个内容:
　　1、分析人脸表情识别不同算法的优点和它们的局限性，研究卷积神经网络的优点，并结合针对数据不平衡的学习方法，提出了提升训练和卷积神经网络相嵌套的框架。将此框架用于人脸表情识别，在CK+数据库的6类表情（除中立和藐视）上最终获得了99.1％的平均准确率。
　　2本文对真实环境下的微笑表情识别进行研究。基于LFW数据库和使用人工标注的方法组建了LFWsmile微笑表情数据库。在此数据库上进行基于LBP+SVM框架的微笑识别实验，得到81.23％的微笑识别率;在同一数据上进行基于LBP+Gentle AdaBoost、RealAdaBoost框架的微笑表情实验，分别得到75.83％、76.03％的微笑识别率;在同一数据库上进行基于提升训练的卷积神经网络框架的微笑识别实验，得到了高达93.14％的微笑识别率。对上述三个框架，在同等条件下进行了特征有效性对比分析。实验结果显示了通过提升训练的卷积神经网络特征，具有更高的有效性。

目录

声明

摘要

第一章 绪论

1．1 论文研究的背景及意义

1．2 国内外研究现状

1．2．1 人脸表情识别的研究现状

1．2．2 卷积神经网络的研究现状

1．3 论文的工作

1．4 论文的内容安排

第二章 相关理论介绍

2．1 卷积神经网络的发展

2．2 卷积神经网络的结构

2．2．1 单层卷积神经网络的网络结构

2．2．2 多层卷积神经网络的网络结构

2．3 卷积神经网络的学习与训练

2．3．1 BP神经网络简介

2．3．2 卷积神经网络

2．4 卷积神经网络的优缺点

2．5 局部二值模式简介

2．5．1 LBP特征的描述

2．5．2 LBP特征提取

2．5．3 LBP特征示例

2．6 支持向量机简介

2．6．1 基础概念

2．6．2 软间隔线性支持向量机

2．7 AdaBoost算法与CART决策树

2．7．1 AdaBoost算法

2．7．2 CART决策树

2．8 本章总结

第三章 基于提升训练和卷积神经网络的人脸表情识别

3．1 人脸表情识别框架

3．1．1 方法概要

3．1．2 减少过度拟合

3．1．3 提升训练

3．2 实验结果与分析

3．2．1 在CK+数据库上的实验

3．2．2 在JAFFE数据库上的实验结果

3．3 本章总结

第四章 微笑表情识别的研究

4．1 微笑数据库

4．2 基于局部二值模式微笑识别

4．2．1 基于LBP+SVM的微笑识别实验

4．2．1 基于LBP+AdaBoost的微笑识别实验

4．3 基于提升训练和卷积神经网络的微笑识别

4．3．1 网络模型

4．3．2 实验结果

4．4 卷积神经网络特征分析

4．4．1 实验环境设置

4．4．2 实验结果分析

4．5 本章总结

第五章 结论

5．1 本文主要工作

5．2 不足与改进

参考文献

硕士期间发表的论文

致谢