自适应Gabor卷积核编码网络的表情识别方法

摘要：

人脸表情识别是计算机视觉领域研究的热点之一.针对传统Gabor网络提取表情图像高维特征识别率不高、泛化性不强的问题,结合卷积神经网络学习局部特征的优点,提出多通道、图像分块、优化Gabor卷积核参数的方法实现表情图像卷积,对提取的表情自适应特征进行分析,首先进行通道内降维,然后采用自动编码器理论解决高维特征降维和多通道特征融合的问题.因为传统支持向量机(Support Vector Machine,SVM)对多分类问题不敏感,所以采用遗传算法优化出最大间隔分类面,进而得到适应度较高的分类器参数.对设计的GaAeS-net(Gabor Autoencoder Support Vector Machine Convolution Network)网络分别在CK+、JAFFE、FER2013、CHD2018等数据库上进行实验,并与现有模型进行对比,最高识别率可达到99.34%,从而证明GaAeS-net模型具备良好的识别率和泛化性.

关键词：表情识别、Gabor核、卷积神经网络、自动编码器、遗传算法、支持向量机(SVM)、参数优化

所属期刊栏目：56

分类号：TP391(计算技术、计算机技术)

资助基金：陕西省重点产业链群项目2017ZDL-G-2-3

在线出版日期：2020-05-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：149-156