论文部分内容阅读
随着机器学习技术的不断发展,人脸表情识别技术也取得巨大的进步。人脸面部疲劳识别属于人脸表情识别的一种,通过对人脸面部进行特征提取与分类,判别人脸的疲劳程度,具有一定的理论价值和应用价值。近几年来,深度学习作为机器学习领域里一个新的研究方向,在图像分析方面取得重大的突破。卷积神经网络是深度学习技术中最经典的算法之一,具有区别于传统人工神经网络的卷积层和采样层,并通过梯度下降法和反向传播算法来训练和更新网络参数。卷积神经网络算法能实现自动的特征提取与分类工作,大大降低了算法的复杂度。同时,卷积层和采样层使用了局部感知与权值共享两个策略使得神经网络的复杂度降低并提升神经网络的学习效率。因此本文将卷积神经网络(Convolutional Neural Network,CNN)算法应用在人脸面部疲劳识别上,研究基于卷积神经网络算法人脸面部疲劳识别,全文主要做了以下几点研究工作:(1)标准的数据集是研究人脸面部疲劳识别的基础,本文通过数据采集建立人脸面部疲劳图像库。该数据集的来源主要包括互联网、电影电视及自行拍摄等等,对采集图像进行预处理和归一化操作后建立包含1517张二维图像的人脸面部疲劳数据集,其中包括正常状态500张、轻度疲劳509张、重度疲劳508张。(2)研究基于卷积神经网络算法的人脸面部疲劳识别。在建立的人脸面部疲劳图像库的基础上,通过卷积神经网络算法的卷积层和采样层完成人脸面部疲劳从低层图像特征到高层疲劳特征的映射,实验分别使用了LeNet、AlexNet及GoogleNet三种网络结构,在测试集上分别取得66.4%、70.2%及72.7%的识别率。同时,本文在传统的LBP+SVM算法上进行实验,取得47.3%的识别率。实验结果也说明了卷积神经网络算法在人脸面部疲劳识别上的有效性。(3)在基于卷积神经网络算法的人脸面部疲劳识别实验基础上,设计开发一个基于卷积神经网络算法的人脸面部疲劳识别系统。该系统实现批量输入待检测样本,利用卷积神经网络算法对其进行检测识别,输出人脸面部疲劳状态及概率大小。