基于面部运动单元的多层融合表情识别方法研究的开题报告.docx

基于面部运动单元的多层融合表情识别方法研究的开题报告
一、选题背景与意义
现在，人机交互与情感交流的研究已逐渐受到关注，表情识别技术就成为了解决这一问题的关键之一。表情识别技术在识别人脸表情、情感变化等领域有着广泛的应用，例如视频分析、智能安防等领域。传统的表情识别算法主要基于特征融合的方式，虽然已经取得了不错的效果，但是仍然存在一些问题，例如算法的识别率以及性能等都还有待提高。
基于此，本文提出了一种基于面部运动单元的多层融合表情识别方法，将传统的特征融合与面部运动单元进行结合，从而提升表情识别的准确性和速度。
二、研究现状
传统表情识别算法大多基于人脸的几何结构、颜色统计、纹理特征等方面进行特征提取和基于模式识别的分类。从特征的提取方法上看，主要有全局特征和局部特征两种。全局特征是指整个人脸区域，在提取特征时没有将面部运动分解到更小的部位，计算量比较大；局部特征是将人脸区域划分成许多小的局部区域，对每个部位进行特征提取和分类，提高了算法的准确率，但是很难处理大量的部位信息。近年来，更加注重用户体验和交互的人机智能系统和人机对话系统的需求，通过将人脸的运动分解成多个独立的子部分，将人脸表情划分为运动单元，成为了一种新的面部特征提取方式。由此，许多学者开始关注并研究面部运动单元在表情识别中的应用。
三、研究内容和思路
针对传统表情识别算法存在的不足，本文提出了一种基于面部运动单元的多层融合表情识别方法。具体思路如下：
1.对面部运动进行分解
面部运动单元是指脸部区域中的一个或多个皮肤区域，在表情变化过程中运动的独立单元。本文将人脸表情分解成了32个面部运动单元，并提取每个单元的重要特征对表情进行识别。
2.特征提取
本文提出使用稠密局部连接卷积神经网络（DenseNet）进行特征提取。DenseNet是一种高度有效的卷积神经网络，它优于传统的卷积神经网络，特别是在训练深层神经网络时有更好的性能。从而可以提高模型的准确性。
3.融合模型
本文提出了一种基于多层融合的模型，分别在面部运动单元特征和全局特征上进行。首先将面部运动单元特征和全局特征分别进行分类，得到两个分类器。然后将这两个分类器的输出通过多层全连接层进行融合，从而得到最终的分类结果。
四、预期成果
本文将探究基于面部运动单元的多层融合表情识别方法，这种方法相比于传统的表情识别方法，具有更好的识别准确性和运行速度。本文将搭建算法模型，在公开数据集上进行训练和测试，通过实验数据与传统表情识别算法的性能进行比较，验证所提出的基于面部运动单元的多层融合表情识别方法的有效性。
五、参考文献
[1]ValeryNaranjo,JuanCarlosMontes,MariaElenaCruzMeza,etal.FacialExpressionRecognitionUsingMulti-LevelLocalBinaryPatterns[J].PLoSOne,2016,11(11):e0165831.
[2]HosseinRahmani,AnhTuanTran,DucThanhNguyen,etal.AComprehensiveSurveyofDeepLearningforImageCaptioning[J].ACMComputingSurveys,2021,54(1):1-31.
[3]FeiCai,YanzhiWang,XueLin.ALightweightandReal-TimeFacialExpressionRecognitionSystemforMobileDevices[J].IEEETransactionsonIndustrialInformatics,2018,14(11):4913-4923.