導(dǎo)師：胡正平教授學(xué)生：孫哲專業(yè)：電子科學(xué)與技術(shù)基于解耦空間特征學(xué)習(xí)的稀疏表示表情識別算法研究2018導(dǎo)師：胡正平教授基于解耦空間特征學(xué)習(xí)的稀疏表示表情識別CONTENTS目錄國內(nèi)外研究現(xiàn)狀技術(shù)路線研究內(nèi)容研究目的和意義創(chuàng)新點(diǎn)12345研究不足與展望6CONTENTS目錄國內(nèi)外研究現(xiàn)狀技術(shù)路線研究內(nèi)容研究目的和研究目的和意義01[第一部分]研究目的和意義01[第一部分]研究目的和意義表情識別優(yōu)勢：所謂相由心生，人類對事物的喜惡，最直觀的表現(xiàn)就是表情。方便友好、易于接受、不易偽造等應(yīng)用：智能交通、輔助醫(yī)療、遠(yuǎn)程教育、衛(wèi)生保健、監(jiān)視系統(tǒng)、駕駛員安全、測謊、互動游戲、社交機(jī)器人等表情自動拍照表情駕駛系統(tǒng)監(jiān)控表情測謊研究目的和意義表情識別優(yōu)勢：所謂相由心生，人類對事物的喜惡，研究目的和意義理論意義和應(yīng)用價值：1.

利用新的理論工具，有望取得新的突破2.為解決實(shí)際生活場景中復(fù)雜的表情識別問題奠定基礎(chǔ)；例如：多個體表情識別3.

推動基于動態(tài)的表情分析等相關(guān)問題發(fā)展；例如有效跟蹤用戶情緒變化，可以很方便的為靜態(tài)圖片/實(shí)時視頻流中人臉加情緒標(biāo)簽4.

擴(kuò)展表情識別應(yīng)用范圍，例如：人臉表情交互、營銷輔助多個體表情識別動態(tài)的表情分析人臉表情交互研究目的和意義理論意義和應(yīng)用價值：多個體表情識別動態(tài)的表情分國內(nèi)外研究現(xiàn)狀02[第二部分]國內(nèi)外研究現(xiàn)狀02[第二部分]特征提取方法幾何結(jié)構(gòu)特征人臉運(yùn)動編碼系統(tǒng)

淺層特征Gabor特征局部紋理特征LBP子空間表示PCA深度子空間特征PCANetLDANet深度特征CNNRNN特征提取方法幾何結(jié)構(gòu)特征深度子空間特征分類方法近鄰分類方法NN二三一五四支持向量機(jī)SVM稀疏表示分類方法SRC協(xié)同表示分類方法CRC概率協(xié)同表示分類方法ProCRC分類方法近鄰分類方法NN二三一五四支持向量機(jī)SVM稀疏表示分技術(shù)挑戰(zhàn)

欠完備采樣面部表情示例圖面部表情的易變性：人臉身份、觀察角度、光照、年齡等。訓(xùn)練樣本欠完備：實(shí)際中能得到的樣本只是對表情圖像空間中的一個極小部分的采樣，而標(biāo)注信息完備的樣本少。技術(shù)挑戰(zhàn)欠完備采樣面部表情示例圖面部表情的易變性：人臉身份技術(shù)路線03[第三部分]技術(shù)路線03[第三部分]整體思路整體思路擬采取的技術(shù)路線

本文從特征提取角度入手，針對欠完備數(shù)據(jù)融合人臉身份和表情特征的特點(diǎn)，構(gòu)建一系列基于解耦空間特征學(xué)習(xí)的稀疏表示表情識別算法并利用計算機(jī)仿真分析這些算法的性能。

一方面，本文從基于先驗(yàn)知識的解耦思想出發(fā)，利用淺層學(xué)習(xí)提取解耦空間的表情特征來提高面部表情識別性能；另一方面，本文從自學(xué)習(xí)解耦思想出發(fā)，利用深度子空間模型優(yōu)異的特征提取能力結(jié)合稀疏表示來提高面部表情的識別性能。技術(shù)路線擬采取的技術(shù)路線本文從特征提取角度入手，針對研究內(nèi)容04[第四部分]研究內(nèi)容04[第四部分]為解決表情數(shù)據(jù)受人臉、小樣本、光照等影響，提出兩種基于解耦空間淺層特征學(xué)習(xí)算法針對訓(xùn)練樣本中缺少中性表情集導(dǎo)致無法借助此表情集構(gòu)造表情字典，提出一種基于低秩稀疏誤差字典的概率協(xié)同表示識別算法一二研究內(nèi)容從面向數(shù)據(jù)角度出發(fā)，提出一種基于像素差值表示的區(qū)分性特征學(xué)習(xí)識別算法鑒于深度子空間模型優(yōu)異的特征提取能力及運(yùn)行時間上的優(yōu)勢，提出兩種基于解耦空間深層學(xué)習(xí)算法三四

本文針對欠完備數(shù)據(jù)融合人臉身份和表情特征的特點(diǎn)，構(gòu)建了基于解耦空間特征學(xué)習(xí)識別模型并利用計算機(jī)仿真對算法性能進(jìn)行分析，具體研究內(nèi)容如下：為解決表情數(shù)據(jù)受人臉、小樣本、光照等影響，提出兩種基于解耦空研究內(nèi)容框圖基于獨(dú)立人臉身份的協(xié)同表示識別算法1基于字典學(xué)習(xí)特征空間的稀疏表示識別算法2基于低秩稀疏誤差字典的概率協(xié)同表示識別算法3基于像素差值表示的區(qū)分性特征學(xué)習(xí)識別算法4基于深度子空間特診核映射的稀疏表示識別算法5基于深度子空間特征的二步表示分類識別算法6特征提取訓(xùn)練樣本集測試樣本分類結(jié)果研究內(nèi)容框圖基于獨(dú)立人臉身份的協(xié)同表示識別算法1基于字典學(xué)習(xí)實(shí)驗(yàn)方案一1基于獨(dú)立人臉身份的協(xié)同表示識別算法基于字典學(xué)習(xí)特征空間的稀疏表示識別算法基于低秩稀疏誤差字典的概率協(xié)同表示識別算法基于像素差值表示的區(qū)分性特征學(xué)習(xí)識別算法234基于深度子空間特征的二步表示識別算法6基于深度子空間特征核映射的稀疏表示識別算法5實(shí)驗(yàn)方案一1基于獨(dú)立人臉身份的協(xié)同表示識別算法基于字典學(xué)習(xí)特算法一整體框架算法一整體框架實(shí)驗(yàn)驗(yàn)證：JAFFE、KDEF數(shù)據(jù)集實(shí)驗(yàn)設(shè)計與結(jié)果分析表1-1JAFFE數(shù)據(jù)集上不同算法的識別率表1-2KDEF數(shù)據(jù)集上不同算法的識別率

本節(jié)將實(shí)驗(yàn)提出算法與五種算法進(jìn)行對比，識別結(jié)果如右表所示。對于JAFFE數(shù)據(jù)集，如表1-1可示，當(dāng)參數(shù)g=0.5，h=0.5時，實(shí)驗(yàn)提出算法可取得62.29%的平均識別率，而對比算法CRC也僅獲得60.98%的識別結(jié)果。對于KDEF數(shù)據(jù)集，IFRC算法同樣優(yōu)于其他對比算法。例如：當(dāng)參數(shù)g=0.6，h=0.4時，IFRC算法取得最佳識別率為77.98%。（1）不同算法對比實(shí)驗(yàn)驗(yàn)證：實(shí)驗(yàn)設(shè)計與結(jié)果分析表1-1JAFFE數(shù)據(jù)集上不同實(shí)驗(yàn)設(shè)計與結(jié)果分析

為進(jìn)一步驗(yàn)證本算法有效性，本節(jié)選取每個人每類表情的前N張圖像作為訓(xùn)練樣本。右表給出了兩個數(shù)據(jù)集中不同訓(xùn)練樣本數(shù)量在不同對比算法下的識別結(jié)果。由表可知，無論N取1或2時，IFRC算法識別結(jié)果均優(yōu)于對比算法。表1-4KDEF數(shù)據(jù)集上不同訓(xùn)練樣本數(shù)在不同算法中的平均識別率表1-3JAFFE數(shù)據(jù)集上不同訓(xùn)練樣本數(shù)在不同算法中的平均識別率（2）不同訓(xùn)練樣本數(shù)對比實(shí)驗(yàn)設(shè)計與結(jié)果分析為進(jìn)一步驗(yàn)證本算法有效性，算法總結(jié)本節(jié)提出的IFRC算法具有以下優(yōu)點(diǎn)：IFRC算法利用差分字典(通過從原始空間減去人臉身份信息)來表征表情變化特征，緩解了人臉身份對表情特征的影響；本算法利用對稱性將差分字典擴(kuò)展得到虛擬差分字典，該字典擴(kuò)大了訓(xùn)練樣本數(shù)量，從而彌補(bǔ)了欠完備樣本對識別產(chǎn)生的影響；該算法通過適當(dāng)融合差分測試樣本在兩個差分字典上的類殘差提高了表情識別的性能。算法總結(jié)算法總結(jié)本節(jié)提出的IFRC算法具有以下優(yōu)點(diǎn)：算法總結(jié)實(shí)驗(yàn)方案二1基于獨(dú)立人臉身份的協(xié)同表示識別算法基于字典學(xué)習(xí)特征空間的稀疏表示識別算法基于低秩稀疏誤差字典的概率協(xié)同表示識別算法基于像素差值表示的區(qū)分性特征學(xué)習(xí)識別算法234基于深度子空間特征的二步表示識別算法6基于深度子空間特征核映射的稀疏表示識別算法5實(shí)驗(yàn)方案二1基于獨(dú)立人臉身份的協(xié)同表示識別算法基于字典學(xué)習(xí)特算法二整體框架

首先，將原始空間映射到表情空間。

其次，利用表情圖像的近似對稱結(jié)構(gòu)對表情字典進(jìn)行學(xué)習(xí)并采用主成分分析進(jìn)行降維，以進(jìn)一步突出表情特征。

最后，利用稀疏表示分類對測試樣本進(jìn)行分類。算法二整體框架首先，將原始空間映射到表情空間。實(shí)驗(yàn)設(shè)計與結(jié)果分析（1）不同特征方法對比表2-1不同特征方法在不同數(shù)據(jù)集上的平均識別率及運(yùn)行時間

本節(jié)分別將實(shí)驗(yàn)提出特征方法與四種特征方法進(jìn)行對比。從下表可以看出，實(shí)驗(yàn)提出DLFS特征方法可達(dá)到的識別率高于其他算法，LBP特征方法識別效率次之。此外，實(shí)驗(yàn)提出DLFS特征在每個測試樣本上的運(yùn)行時間雖然不是最低的，但相對LBP和LPQ特征方法仍有明顯的優(yōu)勢。實(shí)驗(yàn)驗(yàn)證：JAFFE、CK+、KDEF、AR數(shù)據(jù)集實(shí)驗(yàn)設(shè)計與結(jié)果分析（1）不同特征方法對比表2-1不同特征方實(shí)驗(yàn)設(shè)計與結(jié)果分析（2）不同數(shù)量訓(xùn)練樣本對比

本節(jié)選取AR數(shù)據(jù)集中不同數(shù)量的訓(xùn)練樣本進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)分別選取每人每類表情的1、2張圖像作為訓(xùn)練樣本，同樣選取PCA方法降維。實(shí)驗(yàn)提出算法DLFS+PCA與對比算法DD+PCA的平均識別率隨特征維數(shù)變化的曲線如圖2-3所示。(a)(b)圖2-3不同樣本數(shù)在不同維數(shù)下的平均識別率(a)每人一張訓(xùn)練樣本數(shù)和(b)每人兩張訓(xùn)練樣本數(shù)實(shí)驗(yàn)設(shè)計與結(jié)果分析（2）不同數(shù)量訓(xùn)練樣本對比本算法總結(jié)實(shí)驗(yàn)提出DLFS_SRC算法具有以下優(yōu)勢：通過字典學(xué)習(xí)產(chǎn)生的最佳差分字典不僅緩解了人臉身份對表情特征的影響，而且確保面部圖像中的表情更符合真實(shí)的表情類別信息；本算法簡單易操作，還可用于圖像恢復(fù)；最佳差分字典有利于增加同一表情類中圖像之間的相似性，從而提高了不同表情類之間的差異性。算法總結(jié)

上述兩種算法均從表情空間入手，通過從原始空間減去人臉身份空間得到相對獨(dú)立的表情空間，均在一定程度上緩解了人臉身份對表情識別的影響，從而提高面部表情識別性能。然而上述算法均依賴于中性表情訓(xùn)練集，但當(dāng)樣本中無中性表情訓(xùn)練集時則算法不適用。為此，下面從低秩子空間映射入手，提出基于低秩稀疏誤差字典的概率協(xié)同表示識別算法，以此提高表情識別魯棒性。算法總結(jié)實(shí)驗(yàn)提出DLFS_SRC算法具有以下優(yōu)勢：算法總結(jié)實(shí)驗(yàn)方案三1基于獨(dú)立人臉身份的協(xié)同表示識別算法基于字典學(xué)習(xí)特征空間的稀疏表示識別算法基于低秩稀疏誤差字典的概率協(xié)同表示識別算法基于像素差值表示的區(qū)分性特征學(xué)習(xí)識別算法234基于深度子空間特征的二步表示識別算法6基于深度子空間特征核映射的稀疏表示識別算法5實(shí)驗(yàn)方案三1基于獨(dú)立人臉身份的協(xié)同表示識別算法基于字典學(xué)習(xí)特算法三整體框架

該算法嘗試將原樣本空間映射到表情空間進(jìn)而利用概率協(xié)同表示原理進(jìn)行分類得到最終的識別結(jié)果。算法三整體框架該算法嘗試將原樣本空間映射到表情空間進(jìn)實(shí)驗(yàn)設(shè)計與結(jié)果分析（1）不同特征方法對比(a)(c)(d)圖3-2五種特征方法分別在(a)JAFFE(b)KDEF(c)CAS-PEAL和(d)CK+數(shù)據(jù)集上的識別率(b)實(shí)驗(yàn)驗(yàn)證：JAFFE、CK+、KDEF、CAS-PEAL

由右圖可知，實(shí)驗(yàn)提出LRSE特征在每類表情識別率和平均識別率上均優(yōu)于其他對比特征提取方法，原因在于低秩分解方法將原始字典分解成與人臉身份相關(guān)的低秩共同字典以及與表情相關(guān)的稀疏誤差字典，而稀疏誤差字典有更好的表情表征力。實(shí)驗(yàn)設(shè)計與結(jié)果分析（1）不同特征方法對比(a)(c)(d)圖實(shí)驗(yàn)設(shè)計與結(jié)果分析（2）不同分類方法對比

本節(jié)進(jìn)一步討論實(shí)驗(yàn)提出特征空間LRSE結(jié)合ProCRC及對比分類方法的識別結(jié)果。下列出不同分類方法在5個表情數(shù)據(jù)集上的結(jié)果表明，ProCRC優(yōu)于其它分類方法。原因在于本算法中的ProCRC利用概率協(xié)同表示計算測試樣本所屬每個表情類的概率值，它有效利用了所有類中的訓(xùn)練樣本來決定測試樣本標(biāo)簽。表3-1不同分類算法在五個數(shù)據(jù)集上的識別率實(shí)驗(yàn)設(shè)計與結(jié)果分析（2）不同分類方法對比本節(jié)進(jìn)算法總結(jié)

本節(jié)的算法利用低秩矩陣分解方法將原始字典分解為低秩共同字典及稀疏誤差字典，而稀疏誤差字典則具有區(qū)分性的表情特征，因此本算法進(jìn)一步利用稀疏誤差字典提取表情特征。分類階段，本算法利用ProCRC通過計算測試樣本屬于各個表情類別協(xié)同子空間的概率進(jìn)行分類，提高了識別準(zhǔn)確性。算法總結(jié)

以上兩章均是基于圖像全局表示，第五章將從面向數(shù)據(jù)的局部角度分析如何提高表情特征的表征能力，進(jìn)而提高表情識別魯棒性。算法總結(jié)本節(jié)的算法利用低秩矩陣分解方法將原始字典實(shí)驗(yàn)方案四1基于獨(dú)立人臉身份的協(xié)同表示識別算法基于字典學(xué)習(xí)特征空間的稀疏表示識別算法基于低秩稀疏誤差字典的概率協(xié)同表示識別算法基于像素差值表示的區(qū)分性特征學(xué)習(xí)識別算法234基于深度子空間特征的二步表示識別算法6基于深度子空間特征核映射的稀疏表示識別算法5實(shí)驗(yàn)方案四1基于獨(dú)立人臉身份的協(xié)同表示識別算法基于字典學(xué)習(xí)特算法四整體框架

本算法嘗試?yán)靡环N區(qū)分性的特征描述符提高面部表情的表示能力。首先，對于任一訓(xùn)練樣本構(gòu)建基于像素差值表示的區(qū)分性特征矩陣進(jìn)而獲得區(qū)分性特征詞典；其次，利用垂直二維線性判別方法分析找到一個最佳映射矩陣使得區(qū)分性特征字典的類間散度與類內(nèi)散度比最大；最后，利用最簡單的近鄰分類器來判決測試樣本的標(biāo)簽。算法四整體框架本算法嘗試?yán)靡环N區(qū)分性的特征描述實(shí)驗(yàn)設(shè)計與結(jié)果分析（1）不同參數(shù)對比

為驗(yàn)證實(shí)驗(yàn)提出方法的有效性，本節(jié)在CK+、KDEF和CMUMulti-PIE數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，且本算法采用LOSO和LOESO兩種交叉驗(yàn)證方法。下表列出三個數(shù)據(jù)集在不同參數(shù)下的識別結(jié)果。由表中數(shù)據(jù)可知，當(dāng)維數(shù)d為20到40之間實(shí)驗(yàn)結(jié)果相對穩(wěn)定。表4-3CMUMulti-PIE數(shù)據(jù)集分別在兩種場景下隨不同參數(shù)下變化的識別率表4-1CK+數(shù)據(jù)集分別在兩種場景下隨不同參數(shù)下變化的識別率表4-2KDEF數(shù)據(jù)集分別在兩種場景下隨不同參數(shù)下變化的識別率實(shí)驗(yàn)設(shè)計與結(jié)果分析（1）不同參數(shù)對比為驗(yàn)證實(shí)驗(yàn)提實(shí)驗(yàn)設(shè)計與結(jié)果分析（2）不同算法對比

表4-4至表4-6給出了不同算法在不同數(shù)據(jù)集上的平均識別結(jié)果和測試階段的運(yùn)行時間。從這些表中可以看出，實(shí)驗(yàn)提出算法在LOSO和LOESO兩種場景下對所有數(shù)據(jù)集均取得了最佳識別結(jié)果。此外，實(shí)驗(yàn)提出方法在運(yùn)行時間上優(yōu)于其他對比算法。表4-4兩種場景中CK+數(shù)據(jù)集在不同算法中的平均識別率和運(yùn)行時間表4-5兩種場景中KDEF數(shù)據(jù)集在不同算法中的平均識別率和運(yùn)行時間表4-6兩種場景中CMUMulti-PIE數(shù)據(jù)集在不同算法中的平均識別率和運(yùn)行時間實(shí)驗(yàn)設(shè)計與結(jié)果分析（2）不同算法對比表4-4至表算法總結(jié)本節(jié)算法優(yōu)勢的在于以下兩點(diǎn):區(qū)分性特征字典能夠表示表情特征的局部變化，因此對識別更具魯棒性；V-2DLDA不僅保護(hù)了DFD中區(qū)分性表情特征，同時降低了矩陣維數(shù)，有利于縮短運(yùn)行時間。算法總結(jié)

以上算法均從解耦空間淺層特征角度對表情識別進(jìn)行研究，且多個數(shù)據(jù)集上的實(shí)驗(yàn)驗(yàn)證了其有效性。第六章則從深層特征入手，利用深度子空間模型充分挖掘圖像優(yōu)異的抽象表征用于表情識別。算法總結(jié)本節(jié)算法優(yōu)勢的在于以下兩點(diǎn):算法總結(jié)以實(shí)驗(yàn)方案五1基于獨(dú)立人臉身份的協(xié)同表示識別算法基于字典學(xué)習(xí)特征空間的稀疏表示識別算法基于低秩稀疏誤差字典的概率協(xié)同表示識別算法基于像素差值表示的區(qū)分性特征學(xué)習(xí)識別算法234基于深度子空間特征的二步表示識別算法6基于深度子空間特征核映射的稀疏表示識別算法5實(shí)驗(yàn)方案五1基于獨(dú)立人臉身份的協(xié)同表示識別算法基于字典學(xué)習(xí)特算法五整體框架由于深度子空間模型提取的數(shù)據(jù)深層特征忽略了特征間的非線性關(guān)系，因此本章引入核映射思想，將深層特征映射到核空間使得特征高度可分，提出一種基于深度子空間特征核映射的稀疏表示識別算法。算法五整體框架由于深度子空間模型提取的數(shù)據(jù)深層特實(shí)驗(yàn)設(shè)計與結(jié)果分析（1）不同算法對比表5-2CK+數(shù)據(jù)集在不同算法上的識別率表5-4CMUMulti-PIE數(shù)據(jù)集在不同算法上的識別率表5-3KDEF數(shù)據(jù)集在不同算法上的識別率表5-1JAFFE數(shù)據(jù)集在不同算法上的識別率實(shí)驗(yàn)設(shè)計與結(jié)果分析（1）不同算法對比表5-2CK+數(shù)據(jù)集實(shí)驗(yàn)設(shè)計與結(jié)果分析（2）不同塊遮擋率對比(a)(b)(c)(d)圖5-2不同算法在(a)JAFFE(b)CK+(c)KDEF和(d)CMUMulti-PIE數(shù)據(jù)集上的平均識別率對比

由圖可知，識別率都隨遮擋率的增加而下降，原因在于遮擋部位越多，辨別性信息越少，稀疏度越差。而實(shí)驗(yàn)提出算法仍然優(yōu)于其他對比算法，進(jìn)一步驗(yàn)證了本算法對遮擋表情的魯棒性。實(shí)驗(yàn)設(shè)計與結(jié)果分析（2）不同塊遮擋率對比(a)(b)(c)(算法總結(jié)本節(jié)提出一種基于深度子空間特征核映射的識別算法。本算法有以下優(yōu)勢：深度子空間學(xué)習(xí)通過級聯(lián)的PCA/LDA、二進(jìn)制哈希編碼及直方圖分塊來處理輸入圖像，當(dāng)濾波器

固定時，即可簡單高效的訓(xùn)練出樣本的深層特征；

本節(jié)提出算法通過將深層特征映射到核空間以此捕獲這些特征間的非線性相似性使得不同類別間樣本特征高度可分；最后利用l2范數(shù)表示分類方法對測試樣本進(jìn)行分類，考慮了實(shí)際應(yīng)用中的時間復(fù)雜度。算法總結(jié)算法總結(jié)本節(jié)提出一種基于深度子空間特征核映射的識別算法。本算實(shí)驗(yàn)方案六1基于獨(dú)立人臉身份的協(xié)同表示識別算法基于字典學(xué)習(xí)特征空間的稀疏表示識別算法基于低秩稀疏誤差字典的概率協(xié)同表示識別算法基于像素差值表示的區(qū)分性特征學(xué)習(xí)識別算法234基于深度子空間特征二步表示識別算法6基于深度子空間特征核映射的稀疏表示識別算法5實(shí)驗(yàn)方案六1基于獨(dú)立人臉身份的協(xié)同表示識別算法基于字典學(xué)習(xí)特算法六整體框架本節(jié)從特征選擇角度入手，提出一種基于深度子空間特征二步表示識別算法。對于任一測試樣本，其深層特征矢量可表示為其中，為前最佳TSFs，表示系數(shù)可利用下式求解隨后，每個表情類中的最佳TSFs對測試樣本特征表示及分類最后，測試樣本被分類到最小的殘差類中：算法六整體框架本節(jié)從特征選擇角度入手，提出一種基于實(shí)驗(yàn)設(shè)計與結(jié)果分析（1）不同參數(shù)對比

本節(jié)在不同參數(shù)設(shè)置下驗(yàn)證算法有效性，實(shí)驗(yàn)結(jié)果如下表所示。由表可知，實(shí)驗(yàn)提出算法在不同參數(shù)下均能取得較好的識別結(jié)果，同時也說明字典中并不是所有的訓(xùn)練樣本均有利于表示及分類。表示最佳訓(xùn)練樣本占所有訓(xùn)練樣本的比例表6-1四個數(shù)據(jù)集在不同參數(shù)下的識別結(jié)果實(shí)驗(yàn)設(shè)計與結(jié)果分析（1）不同參數(shù)對比本節(jié)在不同參數(shù)設(shè)置實(shí)驗(yàn)設(shè)計與結(jié)果分析（2）不同塊遮擋率對比(a)(b)(c)(d)圖6-2四種數(shù)據(jù)集分別在不同算法下的平均識別率對比如右圖可知，識別率都隨遮擋率的增加而下降，原因同樣在于遮擋部位越多，辨別性信息越少，稀疏度越差。然而基于PCANet特征在不同塊遮擋率下取得的識別結(jié)果均優(yōu)于其他對比算法。實(shí)驗(yàn)設(shè)計與結(jié)果分析（2）不同塊遮擋率對比(a)(b)(c)(算法總結(jié)本文最后一章提出兩種基于自學(xué)習(xí)的識別算法利用深度子空間模型提取圖像的深層抽象特征，上述兩種算法對于遮擋的測試樣本具有更高的識別效率，原因在于遮擋樣本經(jīng)過模型每層PCA/LDA濾波后，被遮擋部位的貢獻(xiàn)會被忽略，且不會傳遞到模型的輸出層，從而使得算法對遮擋表情識別更具魯棒性。算法總結(jié)算法總結(jié)本文最后一章提出兩種基于自學(xué)習(xí)的識別創(chuàng)新點(diǎn)05[第五部分]創(chuàng)新點(diǎn)05[第五部分]本文提出的兩種基于先驗(yàn)知識的特征學(xué)習(xí)識別算法，充分挖掘欠完備采樣數(shù)據(jù)本身的表情信息提高了識別性能。創(chuàng)新點(diǎn)123本文從低秩子空間映射角度入手，提出了基于低秩稀疏誤差字典的概率協(xié)同表示識別算法，提高了表情識別性能。從面向數(shù)據(jù)的局部角度出發(fā)，提出了基于像素差值表示的區(qū)分性特征學(xué)習(xí)識別算法，利用一種區(qū)分性的特征描述符提高了面部表情的表示能力。論文創(chuàng)新點(diǎn)4本文提出的兩種基于自學(xué)習(xí)的深層特征識別算法，充分挖掘了數(shù)據(jù)的深層表情特征，提高表情識別性能。本文提出的兩種基于先驗(yàn)知識的特征學(xué)習(xí)識別算法，充分挖掘欠完備研究不足與展望06[第六部分]研究不足與展望06[第六部分]研究不足與展望動態(tài)視頻序列研究不足及展望局部判別性特征研究本文的實(shí)驗(yàn)樣本均為靜態(tài)的面部表情圖像，實(shí)際上表情是實(shí)時變化的，動態(tài)視頻序列能有效的表現(xiàn)表情的變化過程，因此后續(xù)會對動態(tài)視頻序列進(jìn)行研究。本文分別從淺層特征和深層特征角度考慮面部表情識別問題，雖然識別性能得到了不同程度的提升，但未考慮將不同區(qū)域的判別信息進(jìn)行融合，因此后續(xù)可從多區(qū)域融合角度出發(fā)，提出更具判別性的特征提取算法。研究不足與展望動態(tài)視頻不足及展望局部判別性本文的實(shí)驗(yàn)樣本均為博士期間研究成果已發(fā)表及錄用SCI論文8篇：[1]SunZhe,HuZhengping,WangMeng,ZhaoShuhuan,Individual-freerepresentationbasedclassificationforfacialexpressionrecognition,SignalImageandVideoProcessing,2017,11(4):597-604.(SCI)[2]SunZhe,HuZhengping,WangMeng,ZhaoShuhuan,Adaptivejointblock-weightedcollaborativerepresentationforfacialexpressionrecognition,TURKISHJOURNALOFELECTRICALENGINEERING&COMPUTERSCIENCES,2017,25(5):3699-3712.(SCI)[3]SunZhe,HuZhengping,WangMeng,ZhaoShuhuan,DictionaryLearningFeatureSpaceviaSparseRepresentationClassificationforFacialExpressionRecognition,ArtificialIntelligentReview,2017,126(21):1-18.(SCI)[4]SunZhe,HuZhengping,WangMeng,ZhaoShuhuan,Robustfacialexpressionrecognitionwithlow-ranksparseerrordictionarybasedprobabilisticcollaborativerepresentationclassification,InternationalJournalonartificialintelligencetools,2017,26(04):1750017.(SCI)[5]SunZhe,HuZhengping,WangMeng