基于轻量化卷积网络的面部表情识别研究.pdfVIP

摘要

摘要

近年来，深度学习的快速发展，极大地提升了面部表情识别的准确率，尤其是在

高精度面部表情识别方面取得了重要突破。随着网络结构的不断增大，网络结构的复

杂性越来越高，其表达能力也越来越强。然而，当模型的规模呈指数级增长时，所需

的计算资源也会急剧增加。所以研究人员试图通过构建针对具体问题的网络结构，以

提升算法的收敛性，同时，设计高效且轻量化的优化算法亦成为当前研究的热点。为

此，本文将重点研究基于轻量级卷积神经网络的面部表情识别算法，在保证较高识别

准确率的同时，通过对网络结构的优化，降低算法的运算量和复杂度，提升算法的实

用性。主要研究内容如下：

（1）研究ShuffleNetV2网络在面部表情识别中的应用。首先，选取一种高效的

面部检测模型，以确保面部辨识的准确性。通过这种方法，可以实现在复杂背景下对

齐输入的人脸图像，以保证输入网络的人脸图像能够在各种复杂环境下被精准定位，

从而提高模型对不同光照、角度及遮挡情况下面部特征的提取能力。其次，针对

ShuffleNetV2网络，选取最合适的优化算法和学习速度，加快算法的收敛速度，提高

训练效率，而且可以减少过拟合的可能。经过大量的实验分析，研究结果表明将

ShuffleNetV2这一轻量级网络应用于面部表情识别上，表现十分出色。

（2）针对面部表情识别任务中存在的模型参数量大、训练时间长等问题，提出

LDAMLightweightDualAttentionModelLDAM

了一种结合（，）注意力机制的

ShuffleNetV2网络模型，并将其应用于人脸表情识别，取得了较好的效果。首先，通

过使用激活函数PReLU（ParametricRectifiedLinearUnit，PReLU）代替原来的ReLU

RectifiedLinearUnitReLUShuffleNetV2

（，）激活功能，对网络体系结构做了一系列

的优化与改善，其主要目标是解决ReLU在负值区可能出现的梯度为零的问题，增强

了其分类的性能。另外，本文还将LDAM的注意力机制引入到模型中，并压缩分类

层通道数，有效降低模型的参数量，同时提升对关键特征的感知能力使其能够更好的

处理输入特征。实验结果显示，优化后的模型参数量仅为1.25M，并且在Facial

ExpressionRecognition2013（FER2013）和ExtendedCohn-Kanade（CK+）数据集上，

识别的准确率分别达到了69.12%和94.77%。与现有主流网络相比，该模型能够有效

降低参数量，展现出优异的性能与广阔的应用前景。

I

摘要

（3）针对面部表情识别的准确性并且现有方法识别效果差的问题，提出了一种

基于多尺度特征的面部表情识别方法，对L-ShuffleNetV2网络模型进行优化。利用

3×3混合空洞卷积核来替代传统的3×3卷积核，增强了模型对不同尺度人脸特征的捕

获能力。此外，移除单元结构尾部的逐点卷积，以降低模型复杂度和降低所需参数，

从而实现更高效率、更轻量化的网络布局。通过在FER2013和CK+两种数据集上的

训练，发现经过优化的模型识别准确性分别达到了74.36%和97.53%，而且所需的参

数仅为1.19M。与已有的面部表情识别算法相比，此模型算法不仅显著提高了准确

性，而且大幅度减少了计算成本，从而进一步证实了轻量级高效面部表情识别系统的

实用性和价值。

关键词：表情识别轻量化卷积神经网络注意力机制计算机视觉

II

Abstract

Abstract