积分商城

最新搜索： matlab FM1208 BK4802 protel增强 滤波 TC397
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：
  • 1
  • 2
  • 3
  • 4
  • 5

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

【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  
2
2
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  
2
2
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 ×  
像素 ×  
层是卷积层  
1 深度学习与卷积神经网络  
共有  
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  

相关下载

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

热门标签

更多>>

最新上传

  • 打赏
  • 30日榜单

热门下载

推荐下载

本站上的所有资源均为源于网上收集或者由用户自行上传，仅供学习和研究使用，无任何商业目的，版权归原作如有侵权，请 来信指出，本站将立即改正。

ICP许可证号：京ICP证070360号     21IC电子网 2000- 版权所有

京ICP备11013301号

京公网安备 11010802024343号