基于深度残差网络的人脸表情识别研究

南宁学院 广西 南宁 530000

引言

人脸表情识别是计算机视觉领域的一个研究热点。当前深度学习方法的研究在提升表情识别性能上取得了重大进展。然而，训练数据的缺乏以及大量表情无关因素(例如身份信息、光照、头部姿态、面部遮挡等)的影响影响了深度模型的特征学习能力，容易出现过拟合现象，限制了模型的泛化性能。为了缓解过拟合问题，有些研究使用经过充分预训练的人脸识别模型，然后在目标表情数据集上进行微调。预训练的人脸识别网络具有更强的特征提取能力，另外，人脸识别和表情识别两个领域的相似性使得面部特征易于迁移，从而提升了表情识别性能。尽管如此，网络内部仍然保留大量身份主导的信息，极可能削弱其表示不同表情变化的能力。实际上，识别效果既想保留人脸识别网络强大的感知面部特征的能力，又希望网络尽可能地学习表情特有的信息。

1 图像预处理

1.1 直方图均衡化

直方图均衡化的主要目的是将原始图像的灰度级均匀地映射到整个灰度级范围内，得到一个灰度级分布均匀的图像。主要包括两个步骤：计算累计直方图和对累计直方图进行区间转换。首先计算图像有多少个灰度级，然后计算每个像素在图像内出现的概率，得到归一化统计直方图，接下来计算所有灰度级的累计概率，然后用累计概率乘以当前范围内的最大灰度级得到均衡化后的像素值[1]。

1.2 LBP特征

LBP是一种纹理描述算子，是在1996年由Ojala等研究人员提出的，由于LBP特征计算简单的同时能取得较好的效果，且具有旋转不变性和灰度不变性等优点。……