基于多视角深度网络增强森林的表情识别

摘要

为了提高在自然环境中姿态变化下人脸表情识别的准确性和鲁棒性, 提出一种基于多视角深度网络增强森林的表情识别方法. 首先提取人脸区域的人脸子块以消除人脸遮挡等噪声影响, 通过在预训练的卷积神经网络模型上迁移学习获得深度表情特征; 然后, 估计水平自由度下的头部姿态参数以消除头部姿态运动的影响, 建立多视角条件概率模型, 并将条件概率和神经联结函数引入随机树的节点分裂学习中, 提高模型在有限训练集上的学习能力和区分力; 最后通过多视角权重投票决策人脸表情类别. M-DNF 能够获得不同视角下的表情分类结果, 而不需要大量的数据集训练. 在CK+、多视角BU-3DFE和自发LFW这3个具有挑战的公共人脸数据集上进行实验的结果表明,该方法平均识别准确率分别达到98.85%, 86.63%和57.20%, 均高于目前已有且公认的识别率高的表情识别方法.