5篇关于人脸表情识别的计算机毕业论文

今天分享的是关于人脸表情识别的5篇计算机毕业论文范文, 如果你的论文涉及到人脸表情识别等主题,本文能够帮助到你

基于深度学习的人脸表情识别模型设计与实现

这是一篇关于人脸表情识别,胶囊网络,卷积神经网络,CycleGAN,通道剪枝的论文, 主要内容为在人与人的交流中,面部表情传递的信息占很大比例,人脸表情识别作为人工智能的重要技术之一,在众多领域中都发挥着重要的作用,比如在医学领域辅助医护人员治疗抑郁症,在安全驾驶领域对司机师傅进行安全预警等。本文通过研究深度学习方法设计人脸表情识别模型,旨在完成精准高效的人脸表情识别任务。本文的主要研究内容如下:(1)针对CNN池化层丢失特征以及胶囊网络自身卷积层特征提取不足的问题,提出一种用Res Net18改进胶囊网络的人脸表情识别模型。该模型仅保留Res Net18的卷积层,并对四个残差块进行不同程度的改进,然后融入注意力机制,用其替换胶囊网络的单卷积层来提取表情特征,最后将提取的特征送入胶囊网络,由初始胶囊层学习特征,数字胶囊层进行分类。本文所设计的模型在CK+、RAFdb和FER+三个数据集上进行了实验。实验结果表明,该模型在人脸表情识别方面具有可行性和有效性。(2)针对人脸表情数据集中各类表情数据量不平衡导致的识别精度差距大的问题,提出采用CycleGAN进行数据增强来对数据集各类表情进行平衡化处理,并在CK+和RAF-db数据集上进行实验。鉴于两个数据集中均是开心表情的样本最多,因此将开心表情作为源域数据,其它六类表情数据分别作为目标域数据得到了六个模型,然后生成各类表情。最后,将数据平衡化后的RAF-db数据集在所提出的网络上进行实验。实验结果表明,数据平衡化可以有效缓解各类表情识别精度差距大的问题。(3)针对前述设计的表情识别模型参数量多的问题,采用一种传统的通道剪枝方法压缩模型。该方法是对训练好的模型进行剪枝,首先用L2范数对所有的通道进行打分,然后设置剪枝比重,通过各个通道的得分情况分多次进行剪枝,并且每次剪枝后都会重新训练模型,最后再对剪枝模型进行微调得到最终的模型。实验结果表明,该方法可以以较小精度损失为代价有效减小模型尺寸。(4)针对前述设计的表情识别模型单次迭代训练速度慢的问题,提出一种基于注意力机制的初始化通道剪枝方法。该方法是基于SENet通道注意力机制模块进行剪枝,在训练过程中,通道注意力机制可以根据各个通道的重要性来赋予各通道不同的权重,因此可以根据权重的大小配合剪枝模块对通道进行有效的删减。实验结果表明,该方法可以大幅度缩短模型训练时间。

课堂数据采集与可视化管理系统的设计与实现

这是一篇关于课堂数据采集,状态感知,人脸表情识别,Mini＿Xception,可视化的论文, 主要内容为中国高等教育管理的信息化和智能化正在迅速发展。传统的通过人工对学生签到、听课状态、课堂反馈等课堂数据进行收集分析的方式不仅费时费力,而且采集渠道窄,数量小,分析更加滞后,导致学校管理者无法实时和准确的感知课堂情况,无法及时进行管理措施调整。因此,通过开发、部署课堂数据采集与可视化管理系统对加强课堂秩序管理,提高教学质量具有重要意义。本文提出了一个由采集小程序、分析处理算法和可视化展示模块三部分组成的课堂数据采集与可视化管理系统的基本框架,并开发出原型系统。首先,基于微信小程序的课堂数据采集端负责收集教师和学生产出的课堂数据,存储到数据库和后端文件系统中;其次,利用基于深度卷积神经网络的Mini＿Xception算法对监控抓拍到的学生课堂图像进行人脸表情识别,之后来判断学生在课堂上的听课状态。本文还针对课堂教学场景,基于Mini＿Xception算法提出了一种对于“专注”表情的判别方法;最后,基于Springboot框架实现了可视化展示模块,对基于数据库和经过Mini＿Xception算法处理后的数据进行课堂情况的展示、统计和分析。研究表明:该系统能有效减少了课堂感知成本,使管理者可以实时、准确、全面的获取课堂动态,对课堂教学改革和教学质量提高有较大推动作用。

基于对比学习的面部表情识别方法研究

这是一篇关于人脸表情识别,对比学习,人脸检测,Transformer,注意力机制的论文, 主要内容为面部表情是人类沟通中帮助理解他人意图的重要因素之一。目前面部表情分析已经成为计算机视觉和人工智能领域的重要方向,面部表情识别技术在驾驶员疲劳驾驶检测、服务机器人、课堂学生听课质量评估、广告宣传片设计等领域具有广阔应用。人脸表情识别系统的任务是针对给定的人脸图像,输出该图像对应的表情类别。目前受控环境下的人脸表情识别准确度较高,真实环境下的人脸表情识别存在姿态变换、遮挡、光照差异等多种因素的影响,导致人脸表情识别的准确性较低。为了更好地降低真实场景中各类因素对识别效果的影响,提高表情识别准确率,本文具体研究工作如下:(1)基于对比学习的人脸表情识别算法研究。采用对比学习的方法实现人脸表情识别,针对现实条件下的人脸表情识别存在姿态变换、遮挡、光照差异等因素影响,在Mo Co v2框架的基础上,增加原图像和经过遮挡增强后图像的正样本对对比,通过对正样本进行随机数据增强操作,增加正样本图像类型,增强模型在真实环境下的识别效果;将基于Transformer的Vi T-small网络作为主干特征提取网络,提高模型提取特征能力;将该识别模型在Image Net数据集上进行预训练,将预训练模型应用于表情识别数据集进行微调,以提高表情识别任务的分类准确率。结合对比学习预训练,在表情识别公共数据集RAF-DB、FERPlus、Affect Net-7、Affect Net-8数据集上分别取得89.02%、90.84%、64.94%、60.63%的识别准确度,与一些表情识别流行算法进行比较,通过实验验证了本文算法的有效性。(2)自然条件下人脸表情识别系统开发。针对自然条件下的人脸表情识别需求,本文开发了人脸表情识别系统,主要包括人脸采集、人脸检测、图像预处理、特征提取、表情分类五个步骤。通过摄像头等硬件设备收集人脸图片,采用Retina Face人脸检测框架并使用轻量化的Mobile Net V3-small网络作为主干网络检测人脸区域,为了使模型在通道和空间维度上都能关注重要特征,并且能够更加关注位置信息,本文采用轻量高效的注意力机制CANet替代Mobile Net V3-small中的SENet,然后对检测到的人脸图像进行数据增强等图像预处理操作,使用对比学习训练好的Vi T-small网络进行表情信息提取,并将提取的特征用于表情分类,输出分类结果。最后,进行实验分析以评估系统的识别效果。

基于深度学习的人脸表情识别研究

这是一篇关于人脸表情识别,小卷积核,残差模块,通道注意力机制,迁移学习的论文, 主要内容为人脸表情识别技术在人机交互领域占据着至关重要的地位,可以从根本上改变人与计算机的关系,为人类提供更好的服务。传统的手工提取人脸表情特征的过程太复杂,会消耗大量的人力物力,而且表情特征提取不充分,导致识别效果差。深度学习模型能够较完美的提取特征信息,并且能够有效的增强模型的泛化能力和鲁棒性。但是现有的卷积神经网络层数越来越深,模型参数量也越来越庞大,并不利于现实场景中的应用,为了解决上述问题,本文做了如下研究。为了实现在小参数量的条件下,也能达到高准确度的人脸表情识别率的目的,提出了提出基于小卷积核的人脸表情识别算法,整个神经网络全部采用3×3的小尺度卷积核提取人脸表情特征,再通过Soft Max完成特征分类。此算法充分利用了小卷积核的计算量小和参数量少的优点。在公开数据集FER2013数据集和CK+数据集上实验,实验结果表明此算法能保证在较少量的参数下,还能达到64.57%和96.43%的准确率。为了在基于小卷积核的人脸表情识别算法的基础上,进一步提升网络性能,优化网络结构,提出了基于优化Res Net的人脸表情识别算法。算法利用两个小尺度卷积核和4个改进的残差模块提取人脸表情特征,改进的残差模块引入深度可分离卷积替换标准卷积,减小参数量。残差模块的尾部还融入了通道注意力机制,学习通道信息,提升识别的准确度。在FER2013数据集和CK+数据集上实验,实验结果表明该算法的人脸表情识别准确率为70.58%和99.28%。相比较于基于小卷积核的人脸表情识别算法有很大的提升。为了解决训练收敛速度慢的问题和提升模型准确率的目的,提出了基于迁移学习的人脸表情识别算法。算法分为预训练任务和人脸表情识别任务两部分组成,预训练任务是利用MS-Celeb-1M数据集在基于优化Res Net的人脸表情识别网络完成人脸识别任务,再以此任务学习到的知识作为人脸表情识别任务的初始点,再次训练此网络,以达到更好的分类效果和收敛速度。在CK+数据集上实验,实验结果表明,该方法仅训练15个epoch就完成了收敛,并且到达了99.59%的高准确率。