您现在的位置是：首页 > 技术资料 > 基于跨连接LeNet-5网络的面部表情识别

推荐星级：

基于跨连接LeNet-5网络的面部表情识别

更新时间：2019-12-25 22:54:06 大小：608K 上传用户：IC老兵查看TA发布的资源 标签：面部表情识别 下载积分：1分评价赚积分（如何评价?）打赏收藏评论(0) 举报

资料介绍

为避免人为因素对表情特征提取产生的影响,本文选择卷积神经网络进行人脸表情识别的研究.相较于传统的表情识别方法需要进行复杂的人工特征提取,卷积神经网络可以省略人为提取特征的过程.经典的LeNet-5卷积神经网络在手写数字库上取得了很好的识别效果,但在表情识别中识别率不高.本文提出了一种改进的LeNet-5卷积神经网络来进行面部表情识别,将网络结构中提取的低层次特征与高层次特征相结合构造分类器,该方法在JAFFE表情公开库和CK+数据库上取得了较好的结果.

部分文件列表

文件名	大小
基于跨连接LeNet-5网络的面部表情识别.pdf	608K

立即下载

【关注视频号领20积分】【关注公众号立即送20积分】

部分页面预览

（完整内容请下载后查看）

第 44 卷第 1 期

2018 年 1 月

自

动

化

学

报

Vol. 44, No. 1

January, 2018

ACTA AUTOMATICA SINICA

基于跨连接 LeNet-5 网络的面部表情识别

李勇 ¹

林小竹 ¹

蒋梦莹 ¹

摘

要

为避免人为因素对表情特征提取产生的影响, 本文选择卷积神经网络进行人脸表情识别的研究. 相较于传统的表情

识别方法需要进行复杂的人工特征提取, 卷积神经网络可以省略人为提取特征的过程. 经典的 LeNet-5 卷积神经网络在手写

数字库上取得了很好的识别效果, 但在表情识别中识别率不高. 本文提出了一种改进的 LeNet-5 卷积神经网络来进行面部表

情识别, 将网络结构中提取的低层次特征与高层次特征相结合构造分类器, 该方法在 JAFFE 表情公开库和 CK+ 数据库上取

得了较好的结果.

关键词卷积神经网络, 面部表情识别, 特征提取, 跨连接

引用格式李勇, 林小竹, 蒋梦莹. 基于跨连接 LeNet-5 网络的面部表情识别. 自动化学报, 2018, 44(1): 176−182

DOI 10.16383/j.aas.2018.c160835

Facial Expression Recognition with Cross-connect LeNet-5 Network

LI Yong¹

LIN Xiao-Zhu¹

JIANG Meng-Ying¹

Abstract In order to avoid the inﬂuence of human factors on facial expression feature extraction, convolution neural

network is adopted for facial expression recognition in this paper. Compared with the traditional method of facial

expression recognition which requires complicated manual feature extraction, convolutional neural network can omit

the process of feature extraction. The classical LeNet-5 convolutional neural network has a good recognition rate in

handwritten digital dataset, but a low recognition rate in facial expression recognition. An improved LeNet-5 convolution

neural network is proposed for facial expression recognition, which combines low-level features with high-level features

extracted from the network structure to construct the classiﬁer. The method achieves good results in JAFFE expression

dataset and the CK+ dataset.

Key words Convolutional neural network, facial expression recognition, feature extraction, cross-connect

Citation Li Yong, Lin Xiao-Zhu, Jiang Meng-Ying. Facial expression recognition with cross-connect LeNet-5 network.

Acta Automatica Sinica, 2018, 44(1): 176−182

随着计算机的快速发展人机交互越来越多地

出现在日常生活中如何让计算机更好地理解人类

的心理是人机交互必须要解决的问题人的面部

表情中包含丰富的信息研究指出面部表情可以

比动作和语言更好地表达人类的心理活动^[1]面部

表情识别也因此成为了人机交互中不可或缺的部

分一个普通人可以很好地读取别人的面部表情并

做出相应的判别但对于计算机来说这是一项十分

困难的任务为此大量的专家学者投入到该领域的

研究中来面部表情是一个十分复杂的系统各国

研究者们构建了不同的模型来实现表情分类其中

最具代表性的就是

面部动作编码系统

随后在

等^[2]

在

年提出了

年根据不同动作单元的组合定

义了种基本的表情生气、厌恶、开心、悲伤、惊

讶、恐惧研究者们据此构建了不同的表情库其

中日本的

情构建的表情库并且在此基础上增加了第类表

情无表情卡耐基梅隆大学的

等^[3]

的基础上发布了

这个库中

个视频序列其中有

公开库就是采用这六种基本表

于

年在

包括了

个人的

个

序列是包含表情标签的序列该库中的表情除了

种基本的表情以外增加了蔑视和无表情两种进入

收稿日期 2016-12-23 录用日期 2017-05-04

Manuscript received December 23, 2016; accepted May 4, 2017

国家自然科学基金 (60772168) 资助

Supported by National Natural Science Foundation of China

(60772168)

本文责任编委胡清华

Recommended by Associate Editor HU Qing-Hua

1. 北京石油化工学院信息工程学院北京 102617 2. 北京化工大学

上世纪

起来研究者们提出了不同的算法来提高识别的准

确率主要的方法有两种是基于几何的方法例

等^[4]采用几何特征方法进行识别该方法

年代以后面部表情识别与分析迅速发展

如

信息科学与技术学院北京 100029

1. School of Information Engineering, Beijing Institute of

Petrochemical Technology, Beijing 102617 2. College of Infor-

mation Science and Technology, Beijing University of Chemical

Technology, Beijing 100029

是通过标记人眼、口、鼻等特征点计算其相对位置

来识别表情虽然这种方法大大减少了输入的数据

但是仅用有限的点来表示复杂的人脸表情显然会丢

1 期

李勇等: 基于跨连接 LeNet-5 网络的面部表情识别

177

失很多重要的信息因而整体的识别率并不太高

是基于整体的识别方法例如

等^[5]使用

小波和相结合的方式进行面部表情识

别首先用滤波器对表情图像滤波、提取特

征将提取到的特征用于训练训练分类器进

写数字后来在

在文档识别中取得了很好的效果^[19]该模型当年成

年正式确定的

模型

功用于美国大多数银行支票的手写数字识别是卷

积神经网络在工业界最早的应用

卷积网络结构图如图所示

设计的

行表情的分类识别这种方法同样依赖于前期人工

提取特征的优劣人为干扰因素较大近年来随着

计算机运行速度的提高处理大数据成为可能同时

互联网的快速发展研究者采集大量的数据变得相

对容易在此基础上深度卷积神经网络被证实了

卷积神经网络可以看成是一个多隐层

的人工神经网络其基本结构主要包括输入层、卷积

层、池化层、全连接层和输出层其中卷积层和池

化层会交替出现构成了特殊的隐层如图所示

是输入层输入大小为

像素 ×

像素的

在图像识别领域有巨大的优势

年在图像数据集上使用

等^[6]

于

卷

图片

手写数字库中图片大小为

像素 ×

像素所以实际使用时将其扩展为大小为

像

积神经网络结构取得惊人的成绩其识别率远超传

统的识别方法这个数据集包含约万张训练图

像、万张验证图像和万张测试图像分为

素 ×

像素的图片使用

层是卷积层共

像素 × 像素的

有

个特征图每一副输入为

图片都与个不同的大小为像素 × 像素卷积

个不同的类别传统的特征提取方法被网络结构取

核卷积得到大小为

层是池化层

像素 ×

像素的特征图

个大小为像

代网络可以自行提取特征并分类而不需要人工干

预

中

素 ×

像素的特征图经过池化后得到个大小为

像素 ×

像素的特征图

个大小为

像素 ×

层是卷积层

1 深度学习与卷积神经网络

个

像素的特征图每

像素的特征图是由前一层的某几个

年机器学习领域泰斗

与他的学

生在 Science 上发表的文章^[7]掀起了深度学习研究

的浪潮多隐层的神经网络再次回到人们视野之中

在那以后斯坦福大学、纽约大学、蒙特利尔大学等

名校迅速成为深度学习研究的重要场所甚至美国

或全部特征图与像素 × 像素的卷积核卷积得

到具体连接方式如表所示层是池化层

共

个

像素 × 像素的特征图由

层

个特征图经过池化得到

层是卷积层共

国防部

计划也首次资助了深度学习项目^[8]

有

个

像素 × 像素的特征图每一个特征图

层所有的特征图与像素 × 像素

都是由

卷积神经网络作为深度学习的一支也迅速受到了

广泛的关注现今深度学习广泛地应用于监控视频

事件检测^[9]、自然语言处理^[10]、语音信号的基音检

测^[11]、图像分类与识别等领域^[12−15]

卷积核卷积得到

层与

层是全连接层共有

层为全连接关系

个单

元

层是输出层输出分类结果

不同于传统的神经网络卷积神经网络采取的

卷积神经网络虽然是在近年来才受到广泛的关

注和应用但早在

猫视觉皮层细胞的研究提出了感受野

的概念年日本学者

基于感受野的概念而提出的神经认知机

年

等^[16]就通过对

是局部连接

的方式不仅有效

地减少了与神经元连接的参数个数而且在误差反

向传播过程中让梯度在一个较小的广度范围内传

播^[20]使得训练变得更加容易权值共享也是卷积

神经网络的一个特点对于输入图像的每一个小块

用相同的卷积核进行卷积操作这种方法来源于局

部感受野的概念可以使得图像具有平移不变性最

后卷积神经网络中的池化操作就是一次下采样操

等^[17]

可以看作是第一个实现了的卷积神经网络这

也是感受野概念在人工神经网络领域的首次应用

等^[18]提出的深度卷积神经网络就是以神

经认知机为基础并使用了反向传播算法来识别手

图 1 LeNet -5 结构图

Fig. 1 The LeNet -5 convolutional neural network

全部评论(0)

暂无评论

评论赚积分>>

上传资源上传优质资源有赏金

基于跨连接LeNet-5网络的面部表情识别

资料介绍

部分文件列表

部分页面预览

相关下载

全部评论(0)

热门标签

最新上传

热门下载

推荐下载

专栏首页