68、深度学习面部表情识别与3D凸包算法新进展

深度学习面部表情识别与3D凸包算法新进展

深度学习在面部表情识别中的应用

人类表达情感最具表现力的方式之一就是通过面部表情。在计算机科学和人机交互设计领域，面部表情分析正迅速成为一个备受关注的领域。尽管过去十年中人们对自动面部表情识别进行了大量研究，但计算机程序要理解姿态、光照和遮挡等变化较大的面部图像仍然是一项具有挑战性的任务。

动物和人类能够利用“深度架构”的大脑高效地学习观察、感知、行动和交流。本研究聚焦于无监督学习算法，旨在为面部表情识别生成深层次的特征层次结构。理解深度学习不仅有助于构建更智能的机器，还能帮助我们深入了解人类智能和学习机制。

自动面部表情识别（FER）主要涉及两个关键方面：面部表示和基于模式识别理论的分类器设计。此前已经提出了许多方法，如主成分分析、线性判别分析、非参数判别分析、光流、Fisher权重图、局部二值模式（LBP）、尺度不变特征变换（SIFT）和加速稳健特征（SURF）等。近年来，使用多层感知器进行视频中的FER成为热门研究话题，同时，深度神经网络也受到了广泛关注，特别是深度和大型网络在该领域展现出了令人瞩目的成果。

提出的模型

本研究提出了一个深度卷积神经网络（CNN）模型，用于区分不同的面部表情。该模型由九层组成，包括输入层、三个卷积层、两个池化层、两个全连接层和输出层。

在输入层，首先将输入图像归一化到0到1之间，以降低对光照变化的敏感性。C2层是卷积层，使用6个5X5的卷积核，每个卷积核在该层共享权重，通过卷积和激活函数（修正线性单元ReLU）生成6个C2特征图。ReLU函数在每个卷积层、局部连接层和全连接层（最后一层除外）应用，使整个级联产生高度非线性和稀疏的特征。C4