论文部分内容阅读
近些年,随着人工智能技术的蓬勃发展,计算机视觉技术也逐渐呈现遍地开花之势,未来计算机将具备识别并理解情感的能力,拥有同人类一样的情商。表情识别已成为计算机视觉领域的研究重点和热点,受到诸多学者的广泛研究。论文在跨领域的表情识别研究中采用迁移学习算法与Arousal-Valence情感维度模型,并重点研究了基于迁移主成分分析(Transfer Principal Component Analysis,TPCA)的两层融合表情识别方法和基于子空间对齐(Subspace Alignment,SA)的表情识别方法。首先,在跨领域的表情识别问题上,为利用不同领域间的共性,减小领域间数据差异性,论文采用迁移主成分分析算法用于将不同领域提取的原始特征投影到中间共同子空间中实现数据降维的同时减小了数据间差异性。心理学研究和已有的研究成果已证明Arousal-Valence维度间满足正相关关系,为利用这种正相关关系,同时利用不同特征间优势,研究中采用了两层融合的表情识别方法。实验结果表明采用TPCA迁移学习方法进行特征降维相较于传统主成分分析降维能提高跨领域的表情识别效果。此外,利用维度相关性识别结果会进一步得到提高。其次,针对TPCA算法在寻找中间共同子空间的过程中计算量较大,导致大量的时间开销问题,提出了一种基于子空间对齐的表情识方法。该算法直接将源领域样本数据映射到源领域中,将目标领域样本数据映射到目标领域子空间中,无需计算共同子空间,所需时间开销较少。对比实验说明,子空间对齐算法要比TPCA算法的时间开销少的多,且本文方法相比于传统PCA降维和传统特征融合能获得更好的识别结果。最后,设计并开发了一个采用两种迁移学习算法和连续情感维度模型的表情识别原型系统。该系统包含有图像展示、模型加载、表情维度值识别等模块。实际测试表明,该系统能利用两种迁移学习算法在连续情感维度模型上实现对面部表情的有效识别。