导读:本文包含了人脸表情特征提取论文开题报告文献综述及选题提纲参考文献，主要关键词:面部表情特征提取,DLBP-TE算法,计算机视觉,极限学习机
人脸表情特征提取论文文献综述
王思明,梁运华[1]（2019）在《基于改进LBP的人脸面部表情特征提取方法（英文）》一文中研究指出面部表情识别中,局部二值模式(Local binary pattern, LBP)是一种重要的纹理特征提取方法,但其在特征提取时维度较高、提取速度慢、不能得到有效的局部或者全局特征,因而提出了一种基于改进LBP的人脸面部表情特征提取方法。该将LBP转化为双局部二值模式(Double local binary pattern, DLBP),融合泰勒展开式(Taylor expansiion, TE),生成DLBP-TE算法,此算法结合极限学习机(Extreme learning machine, ELM)分类算法应用于七种表情分类中,在日本成年女性面部表情(JAFFE)数据库中进行实验。结果表明,此方法能显着提高面部表情识别率。(本文来源于《Journal of Measurement Science and Instrumentation》期刊2019年04期）
翟蒙锁[2]（2019）在《人脸表情特征提取与识别算法研究》一文中研究指出随着人工智能和计算机处理技术的不断完善,作为人脸识别的一个分支,人脸表情识别技术逐渐兴起。研究人员尝试使计算机能够理解人类的情感,让计算机读懂人脸表情成为研究的热点。传统人脸表情识别方法是基于研究人员手工设计的特征,对计算机性能要求不高,但识别率有限。神经网络算法是依靠自身的分布式特征表示,在训练足够的人脸表情图像后,识别精度明显高于其他传统方法,但需要更高的计算能力。本文对目前人脸表情特征提取和识别算法进行研究,主要工作包括以下几点:1.介绍人脸表情识别的主要组成结构,对现有的特征提取和识别算法做了进行叙述和总结,分析对比了各种特征提取和识别算法的优劣势,介绍了人脸表情识别常用的数据集,并对图像预处理过程进行阐述,包括人脸区域检测和归一化等。2.研究了RILPQ(旋转不变相位量化)和CSLBP(改进的局部二值模式)特征提取算法,并结合CSLBP和RILPQ的优点,提出一种融合特征提取的表情识别。采用一种CSLBP描述图像的纹理特征,采用RILPQ描述不同区域变化特征,然后将两组特征分别编码生成特征图,再进行分块和统计直方图得到表情的特征向量,利用直方图结合的方式,使用SVM分类器进行人脸的表情识别分类,对比单一特征提取的表情识别,提高了识别准确率。3.研究了基于CNN(卷积神经网络)的表情识别,通过设计合理的神经网络模型,在输入层增加非线性表示,和调整最优网络参数训练网络模型,通过实验确定数据集划分比例,实现了人脸表情识别。在JAFFE数据集下的实验结果表明,该算法可以比传统算法获得更高的识别率。最后,开发了基于CNN模型的人脸表情识别系统,通过Pycharm和Tkinter设计了人脸表情识别GUI界面,系统界面实时显示表情识别结果,并对表情识别系统有效性进行验证,能满足多种表情实时识别,验证了表情识别系统的泛化能力。(本文来源于《安徽工程大学》期刊2019-06-10）
姚玉倩[3]（2019）在《基于胶囊网络的人脸表情特征提取与识别算法研究》一文中研究指出面部表情识别是指对人脸表情进行特征提取和分析,通过表情信息来理解人类情绪。面部表情识别已成为计算机视觉领域的研究热点之一,相关研究具有广泛的应用价值和前景。本文以深度学习为基础,研究面部表情识别算法,充分利用输入图像的空间特征信息,提出了两种面部表情识别算法。本文的主要研究成果如下:(1)研究分析了胶囊网络(Capsules Network,CapsNet)的原理、网络架构及优化算法。胶囊网络针对类似人脸的结构化目标的图像所提特征具有良好的方向性,能更好地捕捉面部运动单元(Action Unit,AU)间的细节和关系。RAF-DB和FER2013表情数据集上的表情识别效果验证了胶囊网络的特征表达和分类能力,即CapsNet算法在RAF-DB表情数据集上的识别准确率为76.12%;与CNN模型相比,CapsNet算法在FER2013表情数据集上识别准确率提高了 1.87%。(2)提出了 一种基于增强胶囊网络(Enhanced Capsules Network,E-CapsNet)的表情识别算法。VGG网络作为深度卷积神经网络,其在表情识别领域的成功应用表明,深层抽象特征有利于表情分类,而传统胶囊网络仅采用一层卷积进行空间特征提取,这限制了其性能的提升。本文所提E-CapsNet模型,在特征提取阶段采用了13层卷积结构,以便提取深层抽象特征,然后采用动态路由机制对其进一步编码。深层卷积可有效地提取面部表情的关键信息,而动态路由的编码和解码能力可使获得的特征更具方向性。RAF-DB表情数据集上的表情识别效果验证了所提E-CapsNet模型的有效性,与CapsNet和VGGNet算法相比,E-CapsNet模型的表情识别准确率分别提高了 8.66%和6.64%。(3)提出了 一种基于双重增强胶囊网络(Double Enhanced Capsules Network,E2-CapsNet)的表情识别算法。所提算法在E-CapsNet的基础上,进一步引入AU注意力约束,构成双重增强效应,从而使模型能感知与表情相关的AU细节变化。在RAF-DB和EmotioNet表情数据集上的实验结果表明,与VGG算法相比,本文所提的E2-CapsNet算法的识别准确率分别提高了 7.10%和32.79%,达到了目前的主流识别水平。另外,注意力映射图的可视化展示也表明,所提特征可突出面部表情的重要区域,进一步验证了引入AU注意力约束可有效辅助表情识别。(本文来源于《北京交通大学》期刊2019-05-31）
杨金秋[4]（2019）在《基于表情分类与特征提取的人脸建模算法研究》一文中研究指出叁维人脸模型建模技术可以广泛应用于电影、动画、游戏,室内设计以及医疗美容等各种行业。在以往的研究中,使用传统的建模技术得到的叁维人脸模型存在着建模效果不够逼真且无法达到实时性的要求等问题。针对以上问题,本文针对叁维人脸建模技术,提出一种基于表情分类与特征提取相结合的叁维人脸建模方法。首先将图像中人脸定位出来并提取特征点信息,这些特征点可以分别标记出人脸的脸部轮廓、眉毛、眼部轮廓、鼻梁、鼻孔下周和嘴部轮廓的特征信息。然后使用卷积神经网络算法通过对特征点的位移程度进行分类,完成人脸的特征点提取和表情分类工作。同时针对Candide-3人脸模型提出一种基于不同区域粒度的Candide-3人脸模型细分算法,对于细分后Candide-3模型手动移动特征点的位置建立人脸表情模型库,之后结合表情分类的结果调用相应Candide-3表情模型,最后对Candide-3表情模型使用RBF插值算法做进一步的细致形变得到实时的叁维人脸表情动画系统。通过对以上算法思路的设计与实现,完成了对人脸建模动画系统的开发与检测工作。检测实验中针对获取的视频图像,在提取人脸特征点后使用卷积神经网络进行人脸表情的分类,然后基于叁维人脸模型进行叁维模型的个性化调整,最终得到相应表情的叁维人脸模型。实验结果表明,经过提出方法的设计,人脸模型头部更加完整,面部和轮廓信息更加丰富自然,且达到了实时性建模的要求。(本文来源于《北方工业大学》期刊2019-05-06）
周文彬[5]（2019）在《人脸表情识别特征提取及分类判别方法的研究与实现》一文中研究指出表情是人类表达情感的基本方式,是非语言交流的重要手段。在日常交流中,人们可以通过对人脸表情准确、细致的分析,辨识出对方的心理,进行更加有效的沟通。随着计算机科学技术的不断发展,人机交互技术日益成为人工智能领域中研究的热点。而人脸表情识别作为人机交互技术的重要环节,因为其广泛的应用前景,收到了越来越广泛的关注。目前的人脸表情识别系统的识别准确率并不高,且对于现实场景下检测到的复杂人脸图像不能做出有效处理。本文将对人脸表情的特征提取及分类识别环节进行研究分析,并设计出新的人脸表情识别模型,从而实现人脸表情识别的高精度和高鲁棒性。由于近年来深度学习方法广泛应用于模式识别和分类任务,其中,卷积神经网络方法在图像分类和人脸识别领域展现出了强大的性能,适用于本文将要研究的表情提取及表情分类环节。因此,本文设计的人脸表情识别模型将在卷积神经网络的基础上,进行针对于提升人脸表情识别效果的改进。本文的具体工作和主要贡献如下:(1)由于不同的姿势、角度、照明、遮挡会在人脸表情获取时产生的额外冗余特征。为了避免利用卷积神经网络进行人脸表情识别时被这些冗余特征干扰,本文提出了一种基于多任务学习的人脸表情特征提取方法。利用面部特征点定任务对人脸表情识别特征提取任务的隐含促进作用,采用多任务学习框架,输入完整人脸样本图像,将人脸表情识别任务与面部特征点定位任务融入同一个卷积神经网络训练模型中,在进行特征提取后,对获取的全局高级特征进行初步的表情分类识别并获得样本图像中的面部特征点位置。(2)考虑到面部不同特征部位产生的局部特征是判断复杂表情的重要依据,本文将采用级联多网络框架。将人脸表情识别与面部特征点定位结合的多任务学习网络作为第一级网络进行初步的表情分类及特征点定位,在第二级网络中依据第一级网络的面部特征点定位结果,输入每个特征点定位附近的图像区域进行局部表情分类。最终通过将多级网络的输出融合来对表情进行准确的识别分类。(3)基于上述研究,本文设计了一套人脸表情识别系统。该系统在FER2013人脸表情数据库及JAFFE库上进行了多组对比实验。实验结果验证了本文提出方法的有效性。(本文来源于《北京交通大学》期刊2019-05-01）
余朝靖[6]（2018）在《人脸表情特征提取与识别方法的研究》一文中研究指出人脸表情是对人类的情感状态自然及时地反映,在人际交流方面起着非常重要的作用。人脸表情识别常被用来对人类的情感状态和意图进行分析,在情绪的模拟、人类心理学、计算机视觉与人机交互等研究领域有着十分重要的应用。因此,对人脸表情识别的研究有深远的研究价值和实用性。本文设计了表情识别系统的总体框架,首先运用Adaboost算法对人脸进行准确地检测和定位,然后对得到的图像进行归一化的处理,接着提取图像的特征,最后对特征向量进行分类。本文重点对表情特征提取和分类识别方法进行了研究,并提出了改进算法。对于表情特征提取的研究,针对目前较常用的算法LDP(Local Directional Pattern,局部方向模式)存在特征提取速度较慢的问题,提出了一种基于分解局部方向模式DLDP(Divided Local Directional Pattern)的特征提取方法。首先将Kirsch算子的8个方向掩模分成两个子方向掩模再分别计算其边缘响应值,获得两个编码(DLDP1和DLDP2),然后级联两个编码的直方图得到DLDP表情特征。为了增强表情图像的局部特征,提出了sobel-DLDP特征提取方法,先利用sobel算子得到表情图像的边缘信息再通过DLDP算法提取图像特征,得到融合的表情特征。实验结果表明,sobelDLDP特征提取方法与其它基于局部纹理的特征提取算法相比,不仅缩短了特征提取的运算时间,而且提高了识别率。对于人脸表情分类识别的研究,针对HMM(hidden markov model,隐马尔科夫模型)分类方法、SVM(Support Vector Machine,支持向量机)分类方法以及SRC(Sparse Representation Classifier,稀疏表示)分类方法对现实生活中人们的混合表情分析不够准确的问题,提出了一种基于SRC与隶属度分析的表情识别方法。首先利用SRC确定与待测表情最相似的几种基本表情,再利用隶属度方法算出各基本表情的所占比例,最后利用最大隶属度原则实现有效的表情识别分析。实验结果表明,基于SRC与隶属度分析的表情识别方法能够减少误识别率,提高了表情分类的准确性。最后,通过服务机器人完成了表情识别的系统实现。首先构建了一个基于表情识别的服务机器人控制系统,然后将表情识别系统的识别结果转化为对应的控制指令,实现对服务机器人的控制。最后通过多组重复实验,验证了本文提出的新的表情识别方法不仅能够有效控制服务机器人,而且具有较强的鲁棒性。(本文来源于《重庆邮电大学》期刊2018-04-03）
杨晓龙[7]（2018）在《基于局部特征提取和深度学习的人脸表情识别研究》一文中研究指出人脸表情识别技术是指针对已人为细分和标定好表情类别标签的人脸图像集,采用机器学习方法建立人脸表情分类识别的模式,再利用所建立的分类模式实现机器对人面部表情的理解以及心理活动的判断,它是智能化人机交互的基础,应用领域广泛。影响人脸表情识别准确率的关键因素是机器学习算法。随着具有通过组合低层特征形成更加抽象的高层属性类别或特征表示能力的深度学习算法的出现,以监督学习模式的卷积神经网络(Convolutional Neural Network,CNN)以及非监督学习模式的深度信念网络(Deep Belief Network,DBN)为代表的深度学习模型受到众多模式识别研究者的热捧。深度学习算法的优势在于:即使不做人脸检测、特征提取等预处理,只要人脸图像足够多,依靠它自身优良的分布式特征表示和记忆能力,基于它的人脸表情识别准确率明显高于其他的传统方法。但在实际应用中,受限于计算机硬件条件,依靠实验经验来确定深度学习网络结构及其相关参数的过程非常耗时(甚至系统奔溃),让研究者苦不堪言。因此,开展人脸检测和人脸局部特征提取方法的研究,以降低深度学习模型输入端的数据维度,有利于提高学习和识别的效率;同时,人脸表情是一种非刚性的细节纹理特征,通过提取人脸的局部细节纹理特征,再用于深度模型学习和识别,无疑有利于进一步提高表情识别的准确率和鲁棒性。鉴于此,论文的主要研究内容有:(1)确立了人脸检测、局部特征提取与深度学习算法相结合的人脸表情识别技术路线,实现了基于Haar-like特征的AdaBoost人脸检测方法。在深度学习平台硬件条件没有得以明显改善,以及无数次实验过程受挫的情况下,通过理论分析,确立了在深度学习算法进行网络训练之前,先对人脸图像进行人脸检测及局部特征提取的技术路线;兼顾检测速率和准确率指标,对比分析多种人脸检测算法的优劣,研究并实现了基于Haar-like特征的AdaBoost人脸检测方法。对比实验结果表明,基于Haar-like特征的AdaBoost人脸检测方法比基于肤色模型的人脸检测方法具有明显好的检测效率。(2)提出了改进的主动形状模型(Active Shape Model,ASM)局部特征提取方法,建立了疲劳表情识别规则,实现了面向驾驶员面部疲劳状态识别的应用系统。在已实现的人脸检测方法的基础上,面向疲劳表情识别,通过深入研究ASM理论,在Helen数据集的基础上,在国内外率先实现了基于194个人脸特征点的ASM局部特征提取方法,采用PERCLOS参数判断眼睛疲劳状态与采用支持向量机(Support Vector Machine,SVM)分类器判断头部下垂程度相结合,建立了疲劳表情识别规则,并开发了面向驾驶员面部疲劳状态识别的实时应用系统。(3)提出了改进的局部二值模式(Local Binary Pattern,LBP)特征提取与DBN相结合的人脸表情识别方法。针对面向中性、高兴、愤怒、悲伤、惊讶、恐惧、厌恶等7种情绪表情识别应用的CK+数据集,建立了邻域平滑算子,提出了改进的LBP特征提取方法;在此基础上,通过大量实验确定了DBN网络结构及参数,实现了基于DBN的人脸表情识别方法。实验结果表明,在DBN网络对CK+数据集进行学习前,采用基于Haar-like特征的AdaBoost算法进行人脸检测、采用改进的LBP模型进行人脸局部特征提取,有利于缩短DBN网络训练的时间,同时表情识别的准确率也有明显提高。(4)开发了基于CNN深度模型的表情识别实时应用系统。采用轻量级的CNN深度模型,针对CK+数据集进行训练,搭建了人机交互平台,开发了能满足中性、高兴、愤怒、悲伤、惊讶、恐惧、厌恶等7种情绪表情实时识别需要的应用系统。该系统人机交互响应速度快,平均表情识别准确率达到84.4%。(本文来源于《重庆理工大学》期刊2018-03-23）
邓星[8]（2017）在《表情变化下叁维人脸识别中特征提取与分类研究》一文中研究指出叁维人脸识别技术能够充分利用空间几何信息,可以克服二维人脸识别在光照、化妆和姿态等方面的局限,因此,受到越来越多研究人员的青睐。叁维人脸本质上是一类非刚性曲面,其表情变化会导致局部区域产生非刚性形变,特别是包含嘴部区域的下半张人脸,这将影响基于形状匹配的叁维人脸识别算法的性能。因此,本文对非刚性自由曲面的形变进行分析,研究了表情变化下叁维人脸识别中的特征提取与分类问题。主要研究成果和创新性工作如下:(1)提出特征级融合和区域特征融合的方法,以提取能表征叁维人脸的高区分度特征。为了减小受表情影响较大的非刚性区域对叁维人脸识别性能带来的影响,并保持叁维人脸曲面的拓扑完整性,本文将叁维人脸分割成半刚性区域和非刚性区域,采用连续点漂移算法对非刚性区域进行非刚性点集配准;然后对低频和垂直高频特征进行特征级融合,并对半刚性区域与经过非刚性点集配准之后的非刚性区域进行区域特征融合。该方法基于低频和垂直高频的Haar小波特征的特征级融合技术,能将具有判别性的特征融合在一起,充分发挥各自的优势。所提出的区域特征融合技术可有效地利用叁维人脸的全局信息。(2)提出自适应特征选择下表情鲁棒的叁维人脸识别方法,以更准确地利用中性和带表情人脸之间重建残差的差异性。为了避免对所有测试人脸的非刚性区域都进行统一处理,并充分利用人脸的几何结构,以得到更多准确的区域细节信息,本文提出基于特征点的不规则区域人脸表示;然后提取多尺度融合的塔形局部二值模式;最后基于精确定位的特征点和重建残差,提出自适应选择特征用于最后的分类识别。所提方法可以自适应地去除表情变化下对人脸形状扭曲非常大的区域,以消除人脸表情对识别率的影响。(3)提出直接在叁维人脸网格上提取局部协方差描述子并采用黎曼核稀疏分类进行识别,以避免复杂的配准和阈值估计。首先,利用最远点采样方法检测人脸关键点;其次,提取关键点邻域不同类型的有效特征,建立具有内在属性的局部协方差描述子;最后,利用平均稀疏重建残差的相似性度量来降低类内差异的同时增加类间差异,适当的黎曼核稀疏表示分类用于最后的识别。该方法能快速有效地融合不同的人脸曲面特征,准确地表征曲面的内在属性。(4)提出基于多尺度局部协方差描述子与局部敏感黎曼核稀疏分类的叁维人脸识别,以充分利用人脸的多尺度信息及局部协方差描述子的局部性。首先,采用无限特征选择方法来选择特征空间中贡献率较大的特征,用以构建局部协方差描述子,同时根据协方差描述子的特征值的均方根误差进行尺度选择;其次,提取关键点邻域的局部协方差描述子,并对这些描述子进行多尺度融合;最后,提出局部敏感的黎曼核稀疏分类方法进行叁维人脸识别。该方法利用连续变化的尺度参数获得不同尺度下的局部协方差描述子,能有效提高单一尺度局部协方差描述子的表述能力,同时提出的局部敏感黎曼核稀疏分类可有效地利用多尺度描述子的局部性。在公开的叁维人脸数据库FRGC v2.0和Bosphorus上分别设计实验对本文所提方法进行评估,并与一些先进方法的结果进行比较分析。实验结果证明了本文算法的有效性,为叁维人脸识别更好地走向实际应用奠定了基础。(本文来源于《东南大学》期刊2017-12-28）
付雪平[9]（2017）在《基于图像识别的人脸表情特征的提取分析》一文中研究指出随着科技产品的更新迭代,人机交互如何更加智能化成为一项很重要的课题,而情感是人类在进行交流时最直观的表现,所以在人机交互中,情感就变成了一种很重要的信息资源。通常情感计算的研究包含叁个方面:面部表情的识别、语音的识别和人体行为姿势的识别。本文主要以表情识别为主要研究内容,对人物情感进行了分析。另外,随着多媒体设备的普及,网络视频数量的不断增长,通过人物情感进行视频分类,可以加强网络视频的管理并提升观众的用户体验。本文主要内容如下:1.图像预处理。对人脸进行情感特征提取首先需要锁定人脸区域,而收集到的样本数据由于背景、光线、图像尺度的影响存在着大量的图像噪声,同时人脸图像由于角度的旋转也可能不是规范的正面人脸。因此在表情识别前就需要对图像进行预处理,提取出相应的人脸区域。本文利用Adaboost算法进行人脸检测,使用双眼坐标位置进行倾斜校正,为后续的表情识别做好铺垫。2.特征提取。通过提取数据样本的几何特征和纹理特征对表情进行识别后,结合Gabor小波特征算子和均匀局部二值模式(ULBP)算子对图像进行纹理特征提取,使用主动形状模型(ASM)进行几何特征点定位,通过图像几何特征点间的距离,总结了度量表情几何特征点距离的关键特征点,提取相应人脸表情的几何特征。3.特征降维。Gabor小波在对纹理特征进行提取时,会导致特征维数高,内存空间消耗大,故本文采用稀疏法和主成分分析法(PCA)进行特征降维。通过数据集测试,对此方法的准确度进行了比较和分析。4.表情识别。表情识别是一个多分类问题,本文采用优化的基于二叉树实现多分类的支持向量机(RB-OVR-SVM)算法,构建相应的划分函数,对表情进行识别。5.视频分类。根据研究的表情识别方法对网上视频进行人脸检测和表情识别,绘制出相应的情感变化曲线,根据已有的心理学和概率学信息,归纳各类视频段的情感特征,对视频进行分类。在研究的过程中本文提出了以下创新点和改进:(1)对于人脸情感特征的提取使用了纹理特征和几何特征混合提取方法。(2)对于人脸情感特征的降维利用稀疏特征挑选方式,对特征进行挑选,在提高计算速度的同时,有效的保证了识别精度。(3)优化了基于二叉树多分类支持向量机算法,并成功用于表情识别。与之前支持向量机用于表情识别的多分类算法相比较,不仅仅提高了表情识别速度,同时解决了数据不可分的盲点问题。本文通过将纹理特征和筛选后的几何特征进行加权迭加,充分考虑到了图像的动态信息;同时利用RB-OVR-SVM算法,使表情分类准确率达到了94.4%。(本文来源于《深圳大学》期刊2017-06-30）
张鹏鹏[10]（2017）在《人脸表情图像特征提取方法研究与实现》一文中研究指出人脸面部表情识别是通过计算机对人脸面部由肌肉拉动所产生的表情图像或视频做特征提取工作,并按照人类目前理解经验和思想认识来实施表情归类和表情识别,从面部信息中提取分析人类情感。表情特征提取的正确性和有用性是表情可否正确识别的关键。本论文的重点是对表情图像特征提取方法进行研究。本论文主要工作具体有以下几个方面:首先,详细介绍人脸表情识别系统各功能模块,研究了图像获取模块和预处理模块的原理与算法,并进行小样本采集实验,包括以下四个方面:人脸检测、图像灰度化、图像归一化、光照补偿。其次,对比研究叁种常见的表情特征提取算法,包括:局部二值模式(Local Binary Pattern,LBP)、局部相位量化(Local Phase Quantization,LPQ)、旋转不变局部相位量化(Rotation Invariant Local Phase Quantization,RILPQ),在JAFFE图像库部分图像特征提取实验,提取到特征向量灰度图及量化直方图做研究比对。本论文在RILPQ算法基础上,引入二维高斯核方向导数,提出一种新的特征提取算法,即:融合高斯导数RILPQ算法。再次,研究支持向量机(upport Vector Machine,SVM)理论并运用SVM模式识别与回归的软件包LIBSVM完成分类识别与回归。本部分主要研究基于同向高斯核方向导数与RILPQ融合的人脸表情特征提取算法程序设计,并对叁个参数做大量实验研究,包括:方向导数滤波方向、滤波尺度、尺度半径,寻找到一组最佳实验参数,表情识别率最高为92.57%。同时,为验证该算法实验效果,通过运行时间和表情识别率两项指标与前面的叁种特征提取算法进行比较,证明该算法运行时间较长但是能取得较好的表情识别分类效果。最后,本文又提出了一种异向高斯核方向导数与RILPQ融合的运动模糊人脸表情特征提取算法。通过JAFFE图像库水平方向运动模糊处理后做特征提取进行表情分类。实验证明:在模糊长度为5像素,尺度半径为R=9条件下,运动模糊表情识别率为66.10%,优于RILPQ算法识别率1.4个百分点。(本文来源于《南昌航空大学》期刊2017-06-01）
人脸表情特征提取论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
随着人工智能和计算机处理技术的不断完善,作为人脸识别的一个分支,人脸表情识别技术逐渐兴起。研究人员尝试使计算机能够理解人类的情感,让计算机读懂人脸表情成为研究的热点。传统人脸表情识别方法是基于研究人员手工设计的特征,对计算机性能要求不高,但识别率有限。神经网络算法是依靠自身的分布式特征表示,在训练足够的人脸表情图像后,识别精度明显高于其他传统方法,但需要更高的计算能力。本文对目前人脸表情特征提取和识别算法进行研究,主要工作包括以下几点:1.介绍人脸表情识别的主要组成结构,对现有的特征提取和识别算法做了进行叙述和总结,分析对比了各种特征提取和识别算法的优劣势,介绍了人脸表情识别常用的数据集,并对图像预处理过程进行阐述,包括人脸区域检测和归一化等。2.研究了RILPQ(旋转不变相位量化)和CSLBP(改进的局部二值模式)特征提取算法,并结合CSLBP和RILPQ的优点,提出一种融合特征提取的表情识别。采用一种CSLBP描述图像的纹理特征,采用RILPQ描述不同区域变化特征,然后将两组特征分别编码生成特征图,再进行分块和统计直方图得到表情的特征向量,利用直方图结合的方式,使用SVM分类器进行人脸的表情识别分类,对比单一特征提取的表情识别,提高了识别准确率。3.研究了基于CNN(卷积神经网络)的表情识别,通过设计合理的神经网络模型,在输入层增加非线性表示,和调整最优网络参数训练网络模型,通过实验确定数据集划分比例,实现了人脸表情识别。在JAFFE数据集下的实验结果表明,该算法可以比传统算法获得更高的识别率。最后,开发了基于CNN模型的人脸表情识别系统,通过Pycharm和Tkinter设计了人脸表情识别GUI界面,系统界面实时显示表情识别结果,并对表情识别系统有效性进行验证,能满足多种表情实时识别,验证了表情识别系统的泛化能力。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
人脸表情特征提取论文参考文献
[1].王思明,梁运华.基于改进LBP的人脸面部表情特征提取方法（英文）[J].JournalofMeasurementScienceandInstrumentation.2019
[2].翟蒙锁.人脸表情特征提取与识别算法研究[D].安徽工程大学.2019
[3].姚玉倩.基于胶囊网络的人脸表情特征提取与识别算法研究[D].北京交通大学.2019
[4].杨金秋.基于表情分类与特征提取的人脸建模算法研究[D].北方工业大学.2019
[5].周文彬.人脸表情识别特征提取及分类判别方法的研究与实现[D].北京交通大学.2019
[6].余朝靖.人脸表情特征提取与识别方法的研究[D].重庆邮电大学.2018
[7].杨晓龙.基于局部特征提取和深度学习的人脸表情识别研究[D].重庆理工大学.2018
[8].邓星.表情变化下叁维人脸识别中特征提取与分类研究[D].东南大学.2017
[9].付雪平.基于图像识别的人脸表情特征的提取分析[D].深圳大学.2017
[10].张鹏鹏.人脸表情图像特征提取方法研究与实现[D].南昌航空大学.2017