4。5结论 23

4。6本章小结 24

总 结 25

致    谢 26

参 考 文 献 28

1绪论

1。1研究背景及意义

近年来，庞大的网络应用层出不穷，人们的交流也渐渐的趋于网络化，网络聊天中单单使用文字不能很好的表达情感。聊天软件中Emoji表情包的广泛使用，更是表现出了表达情感时表情的重要性。进而，对人类表情的研究也是当前的热门研究方向。

针对于人类表情，Mehrabian[1]对其进行了细致的研究，人脸表情是通过面部肌肉，瞳孔变化等一系列人们对面部的主动控制完成[2]。在最初，人脸表情在生理学上被人当作动物和人类的本质区别，经过多年的研究，达尔文也定义了动物表情和人类表情之间的相同点和不同点，最终也将表情归类为语言表达的其中一种[3]。而anger ，disgust，sadness，happy，surprise，fear六种表情被归为人类的六种基本表情，由著名的心理学家Ekman和Friesen归纳和定义[4]。本文的人脸表情分析也是基于这六种基本的表情，一些数据集是将中性表情归为第七种表情，如日本的人脸表情数据集JAFFE。本文仅仅讨论6种表情，对中性表情不做讨论。

近年来的机器视觉，机器识别，图像处理等方面得到了迅速的发展，导致人们对人脸表情识别的科学研究也在不断的进步。人脸表情识别的应用领域十分的广泛，如益智游戏，聊天交谈，等等。几年前谷歌推出一种人脸检测生成表情器，可以让人们在聊天的同时记录下聊天者的表情，从而生成相应的表情标签，得到广泛的好评。随着人们对生活质量的要求越来越高，人脸表情的研究就有更重要的意义。

1。2国内外研究现状和发展趋势

1。3本文的研究内容与章节安排

本文所研究的人脸表情是目前为止比较流行的人脸表情检测方法:基于深度学习的深层次卷积网络算法（CNN），并且为了使光线，摄影机器的影响控制在最小，算法的基础上研究并加入了图像灰度均衡化处理，使实验结果更加理想。根据工作内容可以大致分为两部分:图像的灰度均衡化处理，和CNN算法的实现，前者为后着做准备和铺垫。论文网

灰度均衡化处理：

在直方图均衡化方法中，映射关系，即函数的建立是通过原始灰度图像的分布函数以及转化后图像的分布函数的关系来建立的，主要修正的对象是那些灰度值集中在较小范围内的图像，灰度集中会导致对比度下降，通过直方图均衡化，使图像的像素灰度广泛的分布在各个灰度值当中，改善图像的视觉效果，增强图像的可读性。

CNN算法的实现：

使用由Zhou手工标记并且裁剪的简略版CK数据库，由卷积神经网路的七个层对特征分类筛选，最后对结果参数反复调试，对比该神经网络构成的模型对各种情况下的实现效果。

大致将本文分为以下章节：

第二章：介绍了深度学习理论基础，分别介绍深度学习思想，训练，以及卷积神经网络的基础知识，为下面将的具体实现方法做铺垫。

第三章：详细介绍基于卷积神经网络的人脸表情识别算法，包括详细的算法设计以及理解，得出结果，对结果全面的对比分析。

第四章：对全文的研究进行总结，得出经验。说明后续有待提高的部分。

2深度学习理论基础

2。1引言

传统的人脸识别算法一般是要确定识别的特征，根据特征的种类进行分类和检测，所以特征的提取是这种分类方法的重点，研究者们也将大量的精力用在特征提取标注上，其中不乏很多成功的案例，如LBP特征提取。提取出特征后，用一种分类器（SVM分类器较为常见）分离相应特征对应的类别，成功得到实验结果。但这种方法对样本素质有较高的要求，鲁棒性不高，抗干扰能力不强。Hinton教授在《Science》杂志上指出[7]:神经网络的对特征的高强度学习能力相比于传统的人脸识别方法更加的适用于分类，初始化各层的参数也可以使神经网络有效的训练[8]。