摘要
随着人工智能的到来，机器视觉在现实生活中发挥着越来越重要的角色，人脸检测与人脸表情的识别也逐渐成为机器视觉的重要研究方向，该方向上对高精度和高效率有着较高的要求。人脸检测的检测质量严重影响着人脸表情识别模型的识别精度，因此本文对人脸表情识别中的人脸检测Adaboost算法进行研究和优化，进而设计基于对比卷积神经网络来对表情识别，主要工作如下： 通过Adaboost人脸检测算法的研究和实现，并对该算法进行了优化。首先本文阐述了该人脸检测算法通过Haar-like特征和积分图实现弱分类器的原理，然后论述了构建强分类器的方法，再后来的串联强分类器的方法。本文针对训练分类器花费大量时间的问题提出了基于限特征值的弱分类器优化方法，该方法通过限制特征值范围以及挑选优异的弱分类器，经实验结果表明，该方法在训练上能够缩减大量的时间，并且在越庞大的数据量的情况下，时间缩短效果越明显，且在人脸检测算法与滑动窗口共同作用下识别图像中的人脸，并对检测框进行去重处理，发现优化算法在图像中人脸检测的精确度和召回率上有略微的提升。 本文设计了一个新型的卷积神经网络来实现表情的识别功能。首先借鉴InceptionV2模块来搭建单一模型，能够减少训练中的参数量，增加网络层数和宽度，然后针对表情库中相同个体不同表情之间的差异性小于不同个体相同表情的差异性，对网络的精确度造成影响，从而提出了一个基于对比损失函数的联合损失函数，最后通过两个单一模型和联合损失函数构成对比网络，该网络每次训练的时输入两张图片，预测时输入一张图片。经实验表明，该网络的使用了基于对比损失函数能够提高网络的精确度。
NETL