摘要
人脸表情识别是社会交往中最具挑战性的任务之一。一般来说，面部表情是人类表达情感和意图的一种自然而直接的方式。人脸表情识别领域中，卷积神经网络发挥了巨大的作用，同时也取得了丰富的成果。随着使用的卷积神经网络层数不断加深，对应的规模也越来越大，导致模型复杂、参数量大、结构不够轻巧。此外，传统的卷积神经网络难以识别面部表情的细微变化，无法准确提取面部表情特征，识别的精准性还有待提升。针对以上问题，具体研究工作如下： （1）提出了微调的AlexNet网络模型，命名为F_AlexNet。首先将倒数第二层的神经元数量减少到2048个，将第三层全连接层的神经元数量减少到7个，得到的最终模型命名为F_AlexNet。相比于传统的AlexNet，所提模型F_AlexNet学习到的特征更具有表达能力，网络的识别性能更好。在Fer2013数据集上达到68.87%的准确率，在CK+数据集上可以达到94.17%的识别准确率，在JAFFE数据集上取得92.29%的准确率。 （2）提出基于ResNet34与注意力机制的人脸表情识别算法。首先选用深度残差网络ResNet34为基本网络结构，有效避免训练过程中出现的梯度爆炸和梯度消失问题。然后在ResNet34模型的每一个block后引入卷积模块注意力机制(CBAM)，使得网络模型在通道和空间两个维度优先将算力分配给更具有代表性的表情特征，降低不重要特征信息的权重，达到提高模型性能的目的。在Fer2013数据集上达到73.62%的准确率，在CK+数据集上可以达到97.47%的识别准确率，在JAFFE数据集上取得94.86%的准确率。 （3）基于已经训练好的网络模型，利用PyCharm，OpenCV等工具设计开发人脸表情识别系统。该系统可以对单张静态图片或者图片集合进行识别分类，同时也具有实时人脸表情识别功能。
NETL