论文部分内容阅读
人脸表情识别在安全驾驶、医疗看护、教育及商业销售等领域有着广泛的应用前景。研究人脸表情的快速准确识别方法将有助于为不同领域的人脸表情识别提供必要的技术支持。基于深度卷积神经网络的表情识别算法比传统的表情识别算法识别准确率高,然而深度卷积神经网络模型存在参数多、结构复杂而导致模型训练速度慢及网络在自主学习提取表情特征的过程中存在一定的随意性而导致模型提取到的人脸表情特征表现力不足等问题,这些问题严重影响到算法模型的识别效果。针对这些问题,本文进行了深入研究。首先,本文设计了一种基于分组重组残差网络的表情识别算法。该算法利用分组卷积代替标准卷积提取人脸表情特征信息,为了有效地融合不同组输出的表情特征信息,在分组卷积中加入通道重组,通过残差网络的跨连接传递不同层次的表情特征,实现了卷积网络的不同层次之间的表情特征传递和融合,本文算法有效地减少了网络模型的参数数量,防止了网络模型在训练中出现整体性能退化的情况,提高网络的训练速度及识别准确率。其次,本文设计了一种基于多注意力机制的分组残差网络表情识别算法。针对卷积神经网络提取的表情特征表现性不强的问题,利用通道及空间注意力机制融合算法,有效提取了通道和空间维度上中具有强表现力的表情特征,同时抑制弱表现力的表情特征。从而提高了人脸表情识别的准确率。本文研究表明,利用分组重组残差网络可以有效地降低网络模型参数数量,提高卷积网络表情识别的训练速度,提升网络模型的表情识别准确率。多注意力融合机制能够更有效地提取人脸表情的本征特征。实验结果表明了本文设计的两种表情识别算法在提高模型的训练速度以及提高表情识别准确率方面的有效性。