摘要
人脸识别己经成为计算机视觉领域的一个热门方向，而表情识别任务作为人脸识别任务的一个分支，具有重要的应用价值，近年来在学术界和工业界己经陆续受到研究人员的广泛关注，尽管表情识别技术已经研究了数十年，但受限于数据样本的不均衡以及人脸表情出现场景的复杂性，使得人脸表情识别成为一个研究的难点。本文针对目前基于深度学习网络的表情识别存在的问题分别做了如下研究： （1）在人脸表情识别任务中，为了解决样本多类不平衡问题，保证类内距离的紧凑和类间距离可分性，本文提出一种改进判别式损失函数的表情识别方法，该方法是在人脸识别任务ArcFace损失函数的基础上，提出一种基于权重约束的ArcFace损失函数用于表情识别。仅采用ArcFace损失函数会造成分类器偏向少数样本类别，分配较小的样本间角空间。本文通过引入权重约束函数监督，可以保证每两类的中心夹角相同且最大，从而增大了小样本类间距离，提高模型分类准确性。本文在FER2013和RAF-DB数据集上分别做了六组对比实验分析，实验结果表明基于权重约束的ArcFace损失函数算法精度最高，优于其他的损失函数精度。 （2）在自然场景下人脸面部的遮挡和姿态会影响表情的识别效果，为解决这一问题，本文在基础CNN网络特征提取部分引入注意力机制，对表情影响大的面部区域给予高注意力权重，使模型学习到不同特征的重要程度，提高模型的泛化能力。在此基础上，本文融合基于权重约束的ArcFace损失函数算法，在RAF-DB数据集上进行对比实验，实验结果表明融合自注意力机制（Self-Attention）和基于权重约束的ArcFace损失函数的算法精度最高。
NETL