传统的面部微笑检测算法通常提取面部的低级特征,并通过二进制分类器进行分类,从而会导致一些重要纹理信息的丢失和识别率低下等问题,为此提出一种基于深度卷积神经网络的面部微笑检测算法。首先把网络结构分为四个卷积模块和两个全连接...传统的面部微笑检测算法通常提取面部的低级特征,并通过二进制分类器进行分类,从而会导致一些重要纹理信息的丢失和识别率低下等问题,为此提出一种基于深度卷积神经网络的面部微笑检测算法。首先把网络结构分为四个卷积模块和两个全连接层,在卷积层和全连接层之后加入修正线性单元(rectified linear unit,ReLU)和批规范化(batch normalization,BN)方法进行数据处理,并使用较小的卷积核以改进深度卷积神经网络模型中的相关参数和结构,并对改进的深度卷积神经网络模型做出研究。在人脸微笑表情数据库GENKI-4K进行了实验和网络性能测评,结果显示当训练次数达到400 epoch时整个网络趋于稳定,准确率达到95%左右。所提的面部微笑检测方法,利用改进的卷积神经网络提取卷积特征代替传统手工特征提取过程,并改进了原有的深度卷积神经网络,提高了面部微笑检测的识别率和训练网络的收敛速度。展开更多
文摘传统的面部微笑检测算法通常提取面部的低级特征,并通过二进制分类器进行分类,从而会导致一些重要纹理信息的丢失和识别率低下等问题,为此提出一种基于深度卷积神经网络的面部微笑检测算法。首先把网络结构分为四个卷积模块和两个全连接层,在卷积层和全连接层之后加入修正线性单元(rectified linear unit,ReLU)和批规范化(batch normalization,BN)方法进行数据处理,并使用较小的卷积核以改进深度卷积神经网络模型中的相关参数和结构,并对改进的深度卷积神经网络模型做出研究。在人脸微笑表情数据库GENKI-4K进行了实验和网络性能测评,结果显示当训练次数达到400 epoch时整个网络趋于稳定,准确率达到95%左右。所提的面部微笑检测方法,利用改进的卷积神经网络提取卷积特征代替传统手工特征提取过程,并改进了原有的深度卷积神经网络,提高了面部微笑检测的识别率和训练网络的收敛速度。