1. 研究目的与意义
一.文献综述与调研报告：（阐述课题研究的现状及发展趋势，本课题研究的意义和价值、参考文献）课题研究的现状及发展趋势：自编码器的概念在1986年被rumelhart提出，并将其用于高维复杂数据处理，促进了神经网络的发展。自编码器作为典型的深度无监督学习模型,能够从无标签样本中自动学习样本的有效抽象特征。近年来,自编码器受到广泛关注,已应用于目标识别、入侵检测、故障诊断等众多领域中。现有的人脸识别方法主要可分为四大类，其中一类就是基于深度学习的技术。本文采用深度自编码器来进行人脸图像识别，提高了人脸识别的性能，意在解决人脸图像分类和表情识别的问题。本课题研究的意义和价值：深度自编码器的应用主要有一下几个方面：最原始的功能：编码和解码 ，对数据进行降维；并将它们区分开来，效果虽然明显好于pca的方法，但是也明显差于t-sne的方法；抽取图像的特征，这个是一种很通用的方法，不仅仅能抽取有label数据的特征，还可以抽取没有label数据的特征，得到特征之后可以计算之间的相似性（如进行图像，文本的检索），或者进行其他的下一步的操作；预训练网络。这一点现在不常用于预训练网络，而是首先通过无标签的数据进行预训练得到初始权重，再用有标签的数据进行finetune；图像去噪或者增强模型的抗噪声鲁棒性；生成数据或者图像。
剩余内容已隐藏，您需要先支付后才能查看该篇文章全部内容！
2. 研究内容和问题
基本内容：
首先利用搭建起来的深度神经网络训练模型，对数据集里面的人脸图像和人脸表情一层层进行压缩，压缩的目的就是为了提取用于人脸识别和表情识别有价值的特征，然后再训练一个分类器模型，和训练好的可以有效提取人脸特征的encoder结构拼接起来形成一个模型，用于人脸图像的分类和人脸表情的识别[10]。最终利用3个公开数据集上检测结果。3个公开数据库：（1）日本女性面部表情(jaffe)数据库（2）orl人脸数据库（3）耶鲁人脸数据库预计解决的难题：人脸识别部分：能准确识别出每个人脸图像对应的标签表情识别部分：能准确识别出每个人脸图像对应的表情
剩余内容已隐藏，您需要先支付后才能查看该篇文章全部内容！
3. 设计方案和技术路线
用于训练卷积神经网络模型类型的数据集采用三种开放的数据集[11]：分别是 jaffe数据集、 ORL人脸数据集和耶鲁大学数据集，在构建神经网络之前，必须先将数据装入已经过图像预处理的图像集，然后以多维数据的方式装入记忆体，然后对每个类别的数据进行标记[12]；再对数据集进行划分，也就是将数据集、验证集和训练集按交叉校验的方法进行划分。其次是对图像的尺寸进行调整， tensorflow将图像数据按向 CNN的维度依次为行、列数、通道数（色彩通道）。为了提高网络的收敛性，降低了模型的训练，并根据（0、1）的值域激活功能，提高了区域划分。标准化的一个重要理由是保证各特征值的权重是一致的；最后，我们使用了 Adam优化器。在此基础上构造了一种基于卷积神经网络的神经网络，并对其进行了训练，并将其用于人脸图像和面部表情的分类[13]。
4. 研究的条件和基础
1、硬件平台：
笔记本电脑
剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付
