基于残差整流增强卷积神经网络的表情识别

针对受控场景下人脸表情识别率低的问题,提出了一种受控场景下基于残差整流增强卷积神经网络的表情识别算法。该方法以卷积神经网络为原型,在训练模型的过程中,引入残差网络的思想,修正测试集效果与训练集效果之间的差。通过内嵌于卷积层中的激励函数对残差块的线性整流操作,协助表达复杂特征。同时,通过数据增强方法抑制深度神经网络模型在训练过程中过快的拟合,提升其在给定识别任务上的泛化性能,进而提高模型学习效果的鲁棒性。实验中通过将该方法运用于模拟在线授课环境中,最终达到受控场景下有效人脸表情识别的效果。实验结果表明,该方法可以有效对受控情况下的人脸图像输入进行表情分类,最高准确率达到了91.7%。该研究对人脸表情识别领域及人机交互领域的发展具有积极意义。