Details

Title: Распознавание эмоций по данным фотосъёмки: выпускная квалификационная работа магистра: 09.04.01 - Информатика и вычислительная техника ; 09.04.01_17 - Интеллектуальные системы (международная образовательная программа на иностранном языке)
Creators: У Ди
Scientific adviser: Малыхина Галина Федоровна
Other creators: Киселева Людмила Анатольевна
Organization: Санкт-Петербургский политехнический университет Петра Великого. Институт компьютерных наук и технологий
Imprint: Санкт-Петербург, 2019
Collection: Выпускные квалификационные работы; Общая коллекция
Subjects: Распознавание образов; Фотосъемка; Нейронные сети; распознавание выражений лица; свёрточная нейронная сеть; локальная двоичная структура; инвариантность вращения; слияние функций
UDC: 004.93'1:77.03/.05(043.3); 004.032.26(043.3)
Document type: Master graduation qualification work
File type: PDF
Language: Russian
Speciality code (FGOS): 09.04.01
Speciality group (FGOS): 090000 - Информатика и вычислительная техника
Links: Отзыв руководителя; Рецензия; Отчет о проверке на объем и корректность внешних заимствований
DOI: 10.18720/SPBPU/3/2019/vr/vr19-1076
Rights: Доступ по паролю из сети Интернет (чтение, печать, копирование)

Allowed Actions:

Action 'Read' will be available if you login or access site from another network Action 'Download' will be available if you login or access site from another network

Group: Anonymous

Network: Internet

Annotation

В последние годы методология распознавания эмоций лица широко применялась во взаимодействии человека с компьютером, компьютерном зрении, мониторинге безопасности и классификации изображений и т. д. Но при практическом применении на собранные изображения выражений лица легко влияют такие факторы, как визуализация. угол и приемное оборудование и другие факторы, которые делают скорость распознавания выражений трудной для удовлетворения фактических потребностей. Локальный двоичный шаблон представляет собой разновидность алгоритма выделения признаков с инвариантностью вращения, который может решить проблему в определенной степени. Однако, когда оператор LBP используется для извлечения функций выражения, необходимо искусственно установить размер и количество блоков изображения. В результате некоторая информация о выражении лица теряется. Для решения вышеуказанных проблем используется алгоритм распознавания выражения лица на основе CNN. Двоичный образец предлагается в этой диссертации.

In recent years, face emotions recognition methodology has been widely applied in the human-computer interaction, computer vision,security monitoring and image classification and so on. But in practical application, the collected facial expression images are easily affected by the factors such as imaging angle and acquisiton equipment and other factors which makes the expression recognition rate difficult to meet the actual needs. Local Binary Pattern is a kind of feature extraction algorithm with rotation invariance, which can solve the problem to a certain extent. However, when LBP operator is used to extract expression features, it is necessary to set the block size and quantity of the image artificially. As a result,some facial expression information is lost.To solve the above problems,a facial expression recognition algorithm based on Convolution Neural Network and Local Binary Pattern is proposed in this thesis.

Document access rights

Network User group Action
ILC SPbPU Local Network All Read Print Download
Internet Authorized users SPbPU Read Print Download
Internet Authorized users (not from SPbPU)
-> Internet Anonymous

Table of Contents

  • ABSTRACT
  • Content
  • Introduction
  • 1.Facial Expression Recognition
    • 1.1 History of Facial Expression Recognition
    • 1.2 History of Convolutional Neural Network
    • 1.3 Task Description
  • 2.The Theory of The Facial Expression Recognition Algorithms
    • 2.1 Introduction
    • 2.2 Classification of facial expression recognition algorithms
      • 2.2.1 Feature extraction algorithm
        • 2.2.1.1 Feature extraction algorithm based on Geometric
        • 2.2.1.2 Extraction algorithm based on texture feature
      • 2.2.2 Feature dimension reduction algorithm
      • 2.2.3 Facial expression classification algorithm
    • 2.3 Difficulties in facial expression recognition technology
  • 3.Emotion Recognition Algorithm Based on Improved Convolutional Neural Network
    • 3.1 Introduction
    • 3.2 The basic principle of convolutional neural network
      • 3.2.1The general idea of convolutional neural network
      • 3.2.2 Convolutional neural network structure
      • 3.2.3 Training method of convolutional neural network
    • 3.3 Facial expression recognition algorithm based on continuous convolutional neural network
      • 3.3.1 Construction and parameter setting of continuous convolutional neural network model
      • 3.3.2 Comparison of three convolutional neural network models
  • 4. Simulation experiment and analysis
    • 4.1 Environment configuration
    • 4.2 Model performance analysis
  • Conclusion
  • Reference

Usage statistics

stat Access count: 70
Last 30 days: 0
Detailed usage statistics