基于深度学习的人脸表情识别算法研究——DBN与SAE的应用

该资源是一篇关于人脸表情识别的硕士学位论文，作者黄寿喜，广东工业大学计算机学院，2017年完成。研究集中在深度学习技术在人脸表情识别中的应用，主要探讨了DBN（Deep Belief Networks）和SAE（Stacked Auto-encoder）的结合在特征提取和分类上的效果。 在人脸表情识别领域，深度学习理论是关键。论文的第三章详细阐述了这一理论的实践应用。首先，通过DBN算法对人脸图像进行特征提取，这个过程需要不断训练和微调DBN模型以达到最优状态，从而提取出最具代表性的特征。接着，使用SAE算法对DBN提取的特征进行分类，以实现人脸表情的精确划分。同时，为了验证SAE在分类任务中的优势，论文还引入了支持向量机SVM进行比较。整个流程通过DBN+SAE和DBN+SVM两种方法进行了实验，其中DBN网络结构包含三层，隐藏节点分别为500、2000和5000，而SAE则由三层自动编码器堆叠构成，节点数为80、300和800。 实验设计中，人脸图像被随机平均分为7组，6组用于训练，1组用于验证，最终通过交叉验证来计算平均识别率。实验结果显示，DBN+SVM方法的识别率为84.79%，而DBN+SAE方法的识别率达到了87.46%，表明SAE在分类性能上优于SVM。 这篇论文的研究工作集中于人脸表情识别的传统算法的总结，包括人脸预处理、特征提取和分类，并分析了当前技术面临的挑战。深度学习算法如自动编码器、DBN和深度卷积网络（未在摘要中详述）也被深入探讨，它们在解决传统方法在特征表达方面的不足方面发挥了作用。 该研究展示了深度学习在提高人脸表情识别准确性和效率上的潜力，特别是DBN和SAE的组合，为未来的人脸识别技术提供了新的思路和优化方向。