李春虹，卢 宇

(四川师范大学 计算机科学学院，四川 成都 610101)

0 引 言

近年来，深度学习在图像处理等领域的发展，丰富了人脸表情识别研究，使人脸表情识别成为计算机视觉、模式识别领域的研究热点[1,2]。但现有主流的人脸表情识别模型往往存在泛化能力不足、识别率不高等问题，其主要原因是：当数据集处于复杂环境下时，容易受到人脸的姿势、遮挡及光照背景等与表情识别无关的非重要因素影响。为此，Wen等[3]提出利用人脸表情相关区域引导网络学习表情特征，从而减少与表情无关的非相关因素影响，但该模型只能达到基准精度。Jung等[4]提出利用两个浅层的基分类器分别提取图像的不同特征信息，但只适用于少样本数据集。Kim等[5]通过融合多个深度CNN的基分类结果进行指数加权决策融合来判定人脸表情类型。但是该方法复杂的网络结构和连接方式使得训练过程相当繁琐。

因此，本文研究一种即可以简化网络结构又能够较好地提高复杂环境下表情识别精度的方法，即基于深度可分离卷积的人脸表情识别(depthwise separable convolution-based facial expression recognition，DSC-FER)。首先，该方法结合相关全卷积神经网络理论，通过构建人脸分割网络提取出人脸表情中感兴趣区域。其次，利用深度可分离卷积构建VGG19和ResNet18基分类器，提取不同特征信息。最后，采用联合微调方法融合基分类器进行人脸表情识别。实验结果表明，与文献[6-12]相比，该方法能有效地提高人脸表情识别算法的鲁棒性和识别率。

1 理论基础……

登录APP查看全文