导读:本文包含了表情识别论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:表情,卷积,神经网络,特征,深度,面部,算法。
表情识别论文文献综述
王忠民,李和娜,张荣,衡霞[1]（2019）在《融合卷积神经网络与支持向量机的表情识别》一文中研究指出针对表情识别方法存在识别准确率不高和手工设计的特征不能全面表征面部表情特征的问题,提出一种融合卷积神经网络(CNN)的深度学习特征和支持向量机(SVM)的人脸表情识别方法。采用Viola-Jones算法进行人脸检测和对齐,提取面部表情感兴趣区域的图像,输入到CNN模型以提取显着的表情特征信息,对得到的特征向量采用SVM进行分类,将表情分类结果输出。使用该方法在Fer-2013数据集和CK数据集上进行实验,识别率分别为93.46%、92.06%。实验结果表明,该方法能够明显提高表情识别的准确率。(本文来源于《计算机工程与设计》期刊2019年12期）
陈超,黄佳[2]（2019）在《基于深度学习的树莓派人脸与表情识别系统研究与设计》一文中研究指出随着智能机器和人工智能的快速发展,让机器人能够理解人类语义变得越来越迫切,目前机器翻译已经达到了很高的水平,与此同时,只有让机器人理解人类情感,才能够更好理解人类语义,实现无障碍沟通。本文基于深度学习,在树莓派上实现人脸识别和表情识别。首先人脸识别是让机器人能够确定交流的主体是谁,这里本文采用了深度神经网络,在Linux上安装TensorFlow、Keras、OpenCV等套件,采用HOG进行特征提取,进行试验后,确定了2层卷积层,2次pooling等参数。对于表情识别,本文使用深度卷积神经网络DCNN来提取表情特征,具有良好的面部表情特征的分类性能。(本文来源于《网络安全技术与应用》期刊2019年12期）
高理想,高磊[3]（2019）在《基于特征融合的人脸表情识别研究》一文中研究指出针对现有的人脸表情识别方法易受到光照、噪声等因素的影响导致识别率较低的问题,本文提出了一种基于特征融合的人脸表情识别方法。从两方面对表情信息进行描述,通过局部二值模式(LocalBinaryPattern,LBP)和词袋模型(BagOfWords,BOW)分别对表情图像进行纹理特征和语义特征提取,然后将两种特征进行线性融合,最后使用支持向量机(Support Vector Machine,SVM)进行表情分类识别。本文方法在JAFFE和CK+表情数据集上分别取得了98.76%和97.58%的识别率,验证了所提出方法的有效性。(本文来源于《软件工程》期刊2019年12期）
黄倩露,王强[4]（2019）在《结构化特征融合的人脸表情识别》一文中研究指出考虑中心像素值对梯度幅值计算的影响,提出绝对尺度不变特征变换(ASIFT)描述子,结合主动形状模型(ASM)定位人脸特征点,提出ASM-ASIFT特征提取方法。将该方法所提特征与通过划分人脸表情区域并赋予权值的局部二值模式(LBP)特征进行结构化融合。实验结果表明,结构化融合后的正脸和侧脸表情识别的准确率分别为83.44%和71.19%,较ASM-ASIFT以及区域LBP方法,分别提高了4.77%、4.78%和6.98%、8.45%,表明融合后的特征能更加完整、精确地描述面部表情的细节信息,具有更强的表征能力。(本文来源于《计算机工程与设计》期刊2019年11期）
卢俊锋[5]（2019）在《微表情识别综述》一文中研究指出微表情通常发生在一个人试图隐藏他的真实感受的时候,它是人类心理活动的真实表达,如若被有效捕捉,可以准确评估其心理状态,这在医疗、商业谈判、刑事审讯等领域有重要应用。所以近年来,微表情检测与识别工作逐渐引起了学者的关注,但由于微表情强度微弱,容易受环境因素扰动,持续时间短,发生部位区域狭小与不确定,一般传感器很难捕捉识别,所以微表情识别成为一个热门的研究领域,本文试对国内外微表情识别的研究现状进行简单分析和总结。(本文来源于《科技视界》期刊2019年32期）
谭小慧,李昭伟,樊亚春[6]（2019）在《基于多尺度细节增强的面部表情识别方法》一文中研究指出人类面部表情是其心理情绪变化的最直观刻画,不同人的面部表情具有很大差异,现有表情识别方法均利用面部统计特征区分不同表情,其缺乏对于人脸细节信息的深度挖掘。根据心理学家对面部行为编码的定义可以看出,人脸的局部细节信息决定了其表情意义。因此该文提出一种基于多尺度细节增强的面部表情识别方法,针对面部表情受图像细节影响较大的特点,提出利用高斯金字塔提取图像细节信息,并对图像进行细节增强,从而强化人脸表情信息。针对面部表情的局部性特点,提出利用层次结构的局部梯度特征计算方法,描述面部特征点局部形状特征。最后,使用支持向量机(SVM)对面部表情进行分类。该文在CK+表情数据库中的实验结果表明,该方法不仅验证了图像细节对面部表情识别过程的重要作用,而且在小规模训练数据下也能够得到非常好的识别结果,表情平均识别率达到98.19%。(本文来源于《电子与信息学报》期刊2019年11期）
张俞晴,何宁,魏润辰[7]（2019）在《基于卷积神经网络融合SIFT特征的人脸表情识别》一文中研究指出表情识别技术是计算机从静态表情图像或动态表情图像中识别出特定的表情,是实现人机交互的基础。提出一种融合卷积神经网络(CNN)与SIFT特征的人脸表情识别方法。通过图像预处理得到规范化的表情图像;采用视觉词袋模型将图像提取的SIFT特征作进一步处理,将得到的图像特征向量作为局部特征,CNN提取的特征作为全局特征,全局特征用以描述表情的整体差异,局部特征用以描述表情的局部差异;将提取出的两组特征融合后采用Softmax分类。与流形稀疏表示(Manifold Sparse Representation,MSR)及3DCNN等方法在CK+及FER2013数据集上的实验表明,该方法是一种有效的表情识别方法。(本文来源于《计算机应用与软件》期刊2019年11期）
赵淑玲,闻智[8]（2019）在《不同年龄病人基本面部表情识别特点的研究》一文中研究指出[目的]测试中青年人、年轻老年人和高龄老年人对基本面部表情的识别能力,探讨老年人(年轻老年人和高龄老年人)面部表情识别特点对护患沟通的意义。[方法]2016年5月—2017年6月,按年龄将124例病人分为中青年组(n=43)、年轻老年人组(n=46)和高龄老年人组(n=35)。利用面部表情编码系统测试3组人群面部表情识别能力。面部表情编码系统包括6种基本表情(幸福、悲伤、惊讶、恐惧、愤怒和厌恶),每种表情分为低强度、高强度和极强度。采用反应时长和识别正确率作为分析指标对3组人群面部表情识别能力进行比较。[结果]除恐惧和厌恶表情外,高龄老年人组的正确识别率低于中青年组和年轻老年人组,差异均具有统计学意义(P<0. 05),注视时间也长于中青年组,差异有统计学意义;中青年人和年轻老年人在面部表情的正确识别率和反应时长方面差异均无统计学意义(P>0. 05),但年轻老年人和高龄老年人之间认知能力的差异程度较大,尤其是面对悲伤和惊讶的面部表情。[结论]老年人随着年龄增加,面部表情识别能力逐步减弱,提高情绪强度可以提高识别率。(本文来源于《护理研究》期刊2019年21期）
郑少阳,林晓斌[9]（2019）在《一种基于Kinect的二维叁维混合面部表情识别方法》一文中研究指出目前面部表情识别的研究和应用大多基于二维图像。文章提出一种基于Kinect设备的二维叁维混合面部表情识别方法。通过结合Kinect设备捕捉到的面部特征点位置及动画单元的特征,来确定由面部表情产生的叁维网格的形变。应用基于支持向量机的分类方法及基于表情分析和最大置信度的融合算法对表情进行识别。实验表明,该方法比基于二维图像的识别方法性能更好。(本文来源于《计算机时代》期刊2019年11期）
吴进,闵育,李聪,张伟华[10]（2019）在《一种基于3D-CNN的微表情识别算法》一文中研究指出微表情是一种持续时间很短暂的面部表情。针对其识别率低的问题,提出了一种基于叁维卷积神经网络(3D Convolutionnal Neural Network,3D-CNN)的微表情识别算法。使用Keras作为网络框架,在3D-VGG-Block(3Dimension Visual Geometry Group Block,3D-VGG-Block)的基础上加入批量归一化算法以及丢弃法,提升网络深度与训练速度的同时有效地防止过拟合;针对数据集稀少的问题,采取随机设置起始帧的位置,提前设定每次读取帧序列的长度,循环操作,在将所有数据均遍历的同时,达到数据增广的目的。该算法在CASME II数据集上的识别率最高达68. 85%,在识别率上有一定优势。(本文来源于《电讯技术》期刊2019年10期）
表情识别论文开题报告
（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：
随着智能机器和人工智能的快速发展,让机器人能够理解人类语义变得越来越迫切,目前机器翻译已经达到了很高的水平,与此同时,只有让机器人理解人类情感,才能够更好理解人类语义,实现无障碍沟通。本文基于深度学习,在树莓派上实现人脸识别和表情识别。首先人脸识别是让机器人能够确定交流的主体是谁,这里本文采用了深度神经网络,在Linux上安装TensorFlow、Keras、OpenCV等套件,采用HOG进行特征提取,进行试验后,确定了2层卷积层,2次pooling等参数。对于表情识别,本文使用深度卷积神经网络DCNN来提取表情特征,具有良好的面部表情特征的分类性能。
（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。
表情识别论文参考文献
[1].王忠民,李和娜,张荣,衡霞.融合卷积神经网络与支持向量机的表情识别[J].计算机工程与设计.2019
[2].陈超,黄佳.基于深度学习的树莓派人脸与表情识别系统研究与设计[J].网络安全技术与应用.2019
[3].高理想,高磊.基于特征融合的人脸表情识别研究[J].软件工程.2019
[4].黄倩露,王强.结构化特征融合的人脸表情识别[J].计算机工程与设计.2019
[5].卢俊锋.微表情识别综述[J].科技视界.2019
[6].谭小慧,李昭伟,樊亚春.基于多尺度细节增强的面部表情识别方法[J].电子与信息学报.2019
[7].张俞晴,何宁,魏润辰.基于卷积神经网络融合SIFT特征的人脸表情识别[J].计算机应用与软件.2019
[8].赵淑玲,闻智.不同年龄病人基本面部表情识别特点的研究[J].护理研究.2019
[9].郑少阳,林晓斌.一种基于Kinect的二维叁维混合面部表情识别方法[J].计算机时代.2019
[10].吴进,闵育,李聪,张伟华.一种基于3D-CNN的微表情识别算法[J].电讯技术.2019
论文知识图
