没有合适的资源?快使用搜索试试~ 我知道了~
基于卷积神经网络的高斯朴素贝叶斯分类人脸表情识别代码大全.pdf
需积分: 10 2 下载量 16 浏览量
2022-10-19
14:13:53
上传
评论
收藏 560KB PDF 举报
温馨提示
试读
13页
基于卷积神经网络的高斯朴素贝叶斯分类人脸表情识别代码大全.pdf基于卷积神经网络的高斯朴素贝叶斯分类人脸表情识别代码大全.pdf基于卷积神经网络的高斯朴素贝叶斯分类人脸表情识别代码大全.pdf
资源推荐
资源详情
资源评论
题目 基于卷积神经网络的高斯朴素贝叶斯分类人脸表情识别
系统
1.1 题目的主要研究内容
(1)工作的主要描述
用搭载 Keras 的 tensorflow 框架通过卷积神经网络训练模型,使用高斯朴
素贝叶斯分类器识别人类的情绪。根据情绪选择相应的 emoji 匹配。
(2)系统流程图
开始
调用摄像头,
检测人脸
读取数据,拆
分数据集
设计网络模型
确定size人脸
三组数据集
网络层数和输
出层个数
训练模型
成熟模型
输出预测表情
结束
1.2 题目研究的工作基础或实验条件
(1)硬件环境
CPU: Intel(R) Core(TM) i5-7200U CPU @ 2.50GHz 2.71 GHz
机带 RAM:8GB
显卡:NVIDIA Geforce MX150
(2)软件环境(开发工具可用“标准 C 语言” 、Visual C++ 、Java 等)
数据集:Fer2013 ( kaggle 挑战赛),Emoji 表情集
神经网络框架:Keras,Tensorflow-gpu
分类器:基于 Opencv-Normal Bayes Classifier(正态贝叶斯分类)训练的贝叶
斯分类器
配置环境:python==3.6.0,tensorflow-gpu==1.8.0,keras-gpu==2.1.6,
opencv==3.3.1
1.3 数据集描述
fer2013 数据集由 35886 张⼈脸不同表情图片组成,其中训练集 28708 张,
验证集和测试集各 3589 张。每张图⽚的⼤⼩是 48*48 像素⼤⼩,表情分为 7 种:
0(anger 生气);1(disgust 厌恶);2(fear 恐惧);3(happy 开⼼); 4(neutral
中性);5(sad 伤⼼); 6(surprised 惊讶)。
图 1.1 数据集
如图 1.1 所示,该数据集 emotion 为标签 0 到 6,pixels 为像素点,usage
把数据集分为了训练集、测试集和验证集。
1.4 特征提取过程描述
特征提取采用的是卷积神经网络模型结构,其中:卷积层:conv2D;池化
层:MAaxPooling2D;激活函数:RELU;扁平层:Flaten;全连接层:Dense;
损失函数:Dropout。
模型结构为:
conv2D+activation-relu+conv2D+activation-relu+MaxPooling2D+conv2D+activatio
n-relu+MaxPooling2D+conv2D+activation-relu+MaxPooling2D+Flaten+Dense+activ
ation-relu+Dropout+Dense+activation-relu+Dropout+softmax:Dense+activation-relu3
.4。
卷积神经网络的层级结构:数据输入层/Input layer+卷积计算层/CONV
layer+ReLU 激活层/ReLU layer+池化层/Pooling layer+全连接层/FC layer。
在卷积阶段:使用 keras 添加一层二维滤波器,输出维度是 32 并且每个二
维滤波器是 1*1 的卷积层,之后使用使用 ReLU 激活函数。
在池化层阶段:给网络学习 32 个 5*5 的滤波器,也用 ReLU 激活。并且紧
接着一个最大池化层方法,之后第二层卷积阶段和第三层卷积阶段都是用 ReLU
激活函数,后面再次跟着最大池化层方法。第二层仍然是 32 个 3*3 大小的滤波
器,第三层滤波器增加到 64 个 5*5,在更深的网络层增加滤波器数目是模式是
别和深度学习中一个普遍采用的技术。
深度管道的下一个阶段:首先用 Flatten()获得一个扁平的网络,用 ReLU 激
活一个有 2048 个神经元的隐藏层,用 Dropout 丢弃到一半的网络,再添加一个
1024 个神经元的隐藏层,跟着一个关闭 50%神经元的 dropout 层。
输出层:添加作为输出 7 个类的 softmax 层,每个类对应一个类别。
通过最后的输出层,我们得到了特征提取过程的结果。
在训练模型时,我 选择了随机梯度下降算法作为优化器。通常提高性能有两
种方法,一种是定义一个更深、有更多卷积操作的网络,另一种训练更多的图片。
我在这一部分使用了 keras 自带的 ImageDataGenerator 方法扩展来数据集。考虑
到效率问题,keras 提供了生成器针对模型的并发运行。
剩余12页未读,继续阅读
资源评论
李逍遥敲代码
- 粉丝: 3000
- 资源: 277
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功