APP下载

基于卷积神经网络和池化算法的表情识别研究

2019-01-21邱晓晖

计算机技术与发展 2019年1期
关键词:特征

陈 航,邱晓晖

(南京邮电大学 通信与信息工程学院,江苏 南京 210003)

0 引 言

面部表情是人类用来表达个人情绪和心理的主要方式之一,在人际间的相互交往中发挥着重要的作用,而且往往比语言、动作更加生动真实,在虚拟现实、医学、心理学等领域有着广阔的应用前景。在表情识别中特征提取是影响表情识别的重要步骤,传统的表情识别方法有主元分析法(PCA)[1]、Gabor小波法[2]和局部二值模式(LBP)[3-4]等,这些方法都是通过某种人工精心设计的算法提取具有特定分类信息的特征,但是这种方法并不能完全提取图像中的所有信息,或者这些提取的特征都有特定的使用领域,往往不能适应复杂的现实环境。在2006年G E Hinton[5]提出深度学习的概念以后,这个方向就成为了克服传统方法的突破点,并且在计算机视觉和模式识别等领域已经取得了显著的成就,其中卷积神经网络[6-7]由于其局部响应、权值共享等优点,在表情识别方面获得了大量的应用。它不同于传统的依靠人工设计的特征提取方式,而是构建多层的深度神经网络,让机器自主地从样本数据中提取信息,并通过每层的网络参数逐层抽象、提取特征信息,从而获得更具有推广性和表征能力的特征。

从2012年,Krizhevsky等[8]首次将CNN应用于ILSVRC中,并在ILSVRC-2012挑战赛中他们所训练的深度卷积网络在图像分类和目标定位任务中都取得第一名,并打破了图像分类的世界记录。凭借在图像分类中的突出表现,越来越多的研究人员把CNN运用到更为细致的分类中,例如人脸识别[9-10]、表情识别[11-12]等等,并取得了一定的成果。……

登录APP查看全文

猜你喜欢

特征
离散型随机变量的分布列与数字特征
具有两个P’维非线性不可约特征标的非可解群
月震特征及与地震的对比
如何表达“特征”
不忠诚的四个特征
詈语的文化蕴含与现代特征
基于特征筛选的模型选择
线性代数的应用特征