蔡靖，杜佳辰，王慶，周泓任

(吉林大學(xué) 儀器科學(xué)與電氣工程學(xué)院，吉林 長(zhǎng)春 130026)

0 引言

Hinton 等人在研究深度卷積神經(jīng)網(wǎng)絡(luò)中通過(guò)引入ReLU 函數(shù)以及采用多GPU 訓(xùn)練等方式加快了網(wǎng)絡(luò)的訓(xùn)練速度并提高了網(wǎng)絡(luò)模型的準(zhǔn)確率[1]。LeCun 等人表明深度學(xué)習(xí)通過(guò)使用反向傳播算法來(lái)發(fā)現(xiàn)大型數(shù)據(jù)集中的復(fù)雜結(jié)構(gòu)，以指示機(jī)器應(yīng)如何更改用于從前一層的表示計(jì)算每一層的表示的內(nèi)部參數(shù)。深度卷積網(wǎng)絡(luò)在處理圖像、視頻、語(yǔ)音和音頻方面取得了突破性進(jìn)展，而遞歸網(wǎng)絡(luò)則為文本和語(yǔ)音等順序數(shù)據(jù)帶來(lái)了光明[2]。隨著科學(xué)技術(shù)，尤其是計(jì)算機(jī)技術(shù)方面的不斷進(jìn)步，人們對(duì)卷積神經(jīng)網(wǎng)絡(luò)的研究也不斷深入，面部表情識(shí)別技術(shù)也隨之得到了發(fā)展。同時(shí)，一些問(wèn)題也隨之而來(lái)，例如：如何提高面部表情分類的準(zhǔn)確率，如何能夠在保證準(zhǔn)確率的前提下減少計(jì)算的參數(shù)量等。

Tang 等人[3]提出將卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks，CNN)中融入支持向量機(jī)(SVM)，同時(shí)修改了全連接層中的計(jì)算損失值的方法,在表情數(shù)據(jù)集上的測(cè)試結(jié)果為71.2%，斬獲了當(dāng)年Kaggle 比賽的一等獎(jiǎng)。崔鳳焦[4]將卷積神經(jīng)網(wǎng)絡(luò)、Adaboost 和支持向量機(jī)3 種模型算法結(jié)構(gòu)進(jìn)行相互比較和設(shè)計(jì)優(yōu)化，在Cohn-Kanade表情庫(kù)中實(shí)現(xiàn)了對(duì)人臉情緒的智能識(shí)別，平均識(shí)別率最高達(dá)到了74.92%。謝鑫等人[5]采用了耗時(shí)加長(zhǎng)的杜鵑算法(CuckooSearch，CS)對(duì)ResNet50 模型進(jìn)行了變更改進(jìn)，提高了準(zhǔn)確率并使算法不會(huì)在調(diào)參時(shí)陷入梯度消失或爆炸的問(wèn)題，準(zhǔn)確率達(dá)到了74.3%。陳佳等人[6]提出一種基于卷積神經(jīng)網(wǎng)絡(luò)集成的表情識(shí)別方法，子網(wǎng)結(jié)構(gòu)在第一階段訓(xùn)練3 個(gè)子網(wǎng)絡(luò)，采用Batch Normalization 方法和Dropout 層來(lái)加速網(wǎng)絡(luò)的收斂。接著去掉3 個(gè)子網(wǎng)絡(luò)的輸出層，使用SVM 進(jìn)行第二階段的訓(xùn)練，完成最終表情的預(yù)測(cè)，其準(zhǔn)確率達(dá)到了70.84%。

針對(duì)以上人臉表情識(shí)別準(zhǔn)確率較低的問(wèn)題，本研究提出了一種基于VGG16 模型算法的人臉表情識(shí)別方法來(lái)對(duì)人臉進(jìn)行識(shí)別，并達(dá)到較好的準(zhǔn)確率。

1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)[7]是近些年發(fā)展起來(lái)，并引起人們廣泛重視研究的一種高效的識(shí)別算法，主要用于圖像目標(biāo)的識(shí)別，它的結(jié)構(gòu)和生物大腦的神經(jīng)網(wǎng)絡(luò)比較相似，其是由一系列功能不相同的層級(jí)所構(gòu)成的。卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)一般主要包括其特有的卷積層、池化層這兩部分及全連接層這第三部分。在卷積神經(jīng)網(wǎng)絡(luò)中，卷積層與池化層一般情況下都會(huì)呈多次交替地出現(xiàn)，因此不同的模型具有不同的層級(jí)結(jié)構(gòu)。

1.1 卷積層

卷積層是卷積神經(jīng)網(wǎng)絡(luò)的核心，主要功能就是對(duì)卷積進(jìn)行運(yùn)算，實(shí)現(xiàn)特征提取操作。卷積核(Convolutional Kernel)的功能就是對(duì)輸入矩陣進(jìn)行加權(quán)平均的一種權(quán)值定義函數(shù)，卷積核在一個(gè)特征圖上不斷地移動(dòng)，與輸入矩陣根據(jù)一定的規(guī)則相乘及求和便可直接得到其特征[8]，可以直接通過(guò)一個(gè)卷積核實(shí)現(xiàn)對(duì)一個(gè)輸入矩陣進(jìn)行特征提取，這種特征提取方法是由低層次向高級(jí)提取[9]，這樣做可以促使提取得到的特征更真實(shí)有效。卷積層可以滿足下列公式：

式中，yab為卷積核中的值，zab為輸入矩陣的值，xij為經(jīng)過(guò)卷積計(jì)算后得到的特征矩陣的值。

通過(guò)卷積運(yùn)算的到的特征值，可以判斷輸入?yún)^(qū)域內(nèi)是否含有所需要的特征。

1.2 池化層

池化層主要處理卷積層輸出的維度較大的特征，可以大大減小矩陣的尺寸，方便進(jìn)行后續(xù)處理。池化層可以在減少數(shù)據(jù)量的同時(shí)，避免發(fā)生過(guò)擬合。池化層將特征分為幾個(gè)較小的區(qū)域，取其最大值或平均值[9]，得到的特征維度更小。目前常見(jiàn)的池化方法有：平均池化、最大池化、隨機(jī)池化、譜池化。

1.3 全連接層

全連接層的作用是將上一層的各個(gè)局部特征綜合起來(lái)，其每個(gè)節(jié)點(diǎn)都與上一層的節(jié)點(diǎn)有連接，它通過(guò)權(quán)值矩陣組成一個(gè)全新的圖[9]，變成全局特征。全連接層可以將特征矩陣轉(zhuǎn)換為單個(gè)的值，因此可以在減小數(shù)據(jù)量的同時(shí)，減小特征位置對(duì)分類帶來(lái)的影響。通過(guò)全連接層得到的向量，其中每個(gè)值代表樣本屬于每個(gè)類的可能性的大小[8]，因此可以通過(guò)最后的輸出向量，判斷樣本的類別。

2 基于VGG16 網(wǎng)絡(luò)的情緒識(shí)別系統(tǒng)

2.1 數(shù)據(jù)集

FER2013 數(shù)據(jù)集由Pierre Luc carrier 和Aaron Courville通過(guò)搜索相關(guān)的情感關(guān)鍵詞在網(wǎng)絡(luò)上爬取，這些圖像都是經(jīng)過(guò)人工標(biāo)注的。它分為三部分，其中測(cè)試集共有28 708 張表情圖片，公有驗(yàn)證集和私有驗(yàn)證集各3 589張，共35 886 張表情圖片。每張圖片是由大小為48×48像素的灰度圖組成，分為7 個(gè)類別，分別為快樂(lè)、驚訝、悲傷、憤怒、厭惡、恐懼、中性。

原始的數(shù)據(jù)集并沒(méi)有直接以圖片的形式給出，而是以保存在csv 格式文件中，使用pandas 解析csv 文件，得到j(luò)pg 文件并儲(chǔ)存到對(duì)應(yīng)文件夾下，然后將數(shù)據(jù)集分為訓(xùn)練集和測(cè)試集。

通過(guò)對(duì)FER2013 數(shù)據(jù)集進(jìn)行重新標(biāo)簽產(chǎn)生的FER-2013PLUS 數(shù)據(jù)集在模型訓(xùn)練中會(huì)有更高的準(zhǔn)確率。圖1展示了數(shù)據(jù)集中的幾個(gè)樣本。

圖1 解析后的jpg 格式數(shù)據(jù)集

2.2 VGG16 神經(jīng)網(wǎng)絡(luò)模型

VGG16 網(wǎng)絡(luò)結(jié)構(gòu)[10-12]如圖2 和表1 所示，輸入分辨率為224×224 的3 通道圖像進(jìn)入卷積層。在結(jié)束卷積操作后，由于數(shù)據(jù)經(jīng)過(guò)非線性函數(shù)的映射之后，存在著取值區(qū)間向極限飽和區(qū)逐漸靠攏的輸入分布，通過(guò)對(duì)所有輸入數(shù)據(jù)的歸一化處理，可以使得數(shù)據(jù)被強(qiáng)制地拉回至方差為1、平均值為0 的標(biāo)準(zhǔn)正態(tài)分布。最后再次進(jìn)入池化層，逐漸忽略局部特征信息。循環(huán)4 輪以上操作，在卷積操作全部完成后，人臉特征信息即可進(jìn)入全連接層，將包含有局部信息的特征圖(包括特征圖的高、寬、通道數(shù))全部映射到4 096 維度。VGG16 網(wǎng)絡(luò)結(jié)構(gòu)的卷積層的kernel 大小均為3×3，效果較好，其步長(zhǎng)為1，填充方式為“same”填充，與其他填充方式相比，這種填充方法可以使每一次卷積以后得到的卷積結(jié)果的尺寸大小不會(huì)發(fā)生變化。池化層使用的是2×2 大小的池化核，填充方式與卷積層一樣也為“same”填充，激勵(lì)函數(shù)為ReLU。

圖2 VGG16 網(wǎng)絡(luò)

2.3 VGG16 神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程

輸入大小為224×224×3 的圖片，經(jīng)過(guò)Conv1_1 和Conv1_2兩個(gè)卷積層，filter 為3×3，卷積結(jié)束后得到222×222×1的矩陣，再經(jīng)過(guò)矩陣填充得到224×224×1 的矩陣。由于第一層有64 個(gè)卷積核，原來(lái)的224×224×1 就變成了224×224×64。

池化層使用的卷積核是2×2×64，步長(zhǎng)為2，第一層卷積結(jié)果經(jīng)過(guò)池化后到達(dá)第二層，得到的矩陣維數(shù)為原來(lái)的一半，變成了112×112×128；第二層經(jīng)過(guò)池化層，矩陣維數(shù)減半，進(jìn)入到第三層，由于第三層有256 個(gè)卷積核，那么得到56×56×256 的矩陣；同理，第四層有512 個(gè)卷積核，得到28×28×512 的矩陣；而第五層也只有512個(gè)卷積核，所以得到14×14×512 的矩陣。經(jīng)過(guò)第五次池化最終得到7×7×512 的矩陣，進(jìn)入到全連接層。

VGG16 的全連接層有3 層。其每一個(gè)節(jié)點(diǎn)都與上一層每個(gè)節(jié)點(diǎn)相連接，它可以把前一層的輸出特征都整體綜合起來(lái)。在VGG16 模型結(jié)構(gòu)中，第一層有4 096 個(gè)節(jié)點(diǎn)，第二層也有4 096 個(gè)，第三層只有1 000 個(gè)節(jié)點(diǎn)，最后再進(jìn)行softmax 成類別的數(shù)目。

如圖3 所示，圖中顯示了圖片經(jīng)過(guò)VGG16 各層卷積層和池化層后所提取出的結(jié)果，依箭頭方向分別為原始圖片、第一次卷積后的圖片、第一次池化后的圖片、第二次卷積后的圖片、第二次池化后的圖片、第三次卷積后的圖片、第三次池化后的圖片、第四次卷積后的圖片、第四次池化后的圖片、第五次卷積后的圖片、第五次池化后的圖片。

圖3 VGG16 訓(xùn)練圖

3 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)環(huán)境為Windows 10 操作系統(tǒng)，采用Python3.7編程語(yǔ)言。實(shí)驗(yàn)過(guò)程依次是數(shù)據(jù)預(yù)處理、搭建神經(jīng)網(wǎng)絡(luò)模型、訓(xùn)練、測(cè)試、評(píng)估模型。

ResNet50、InceptionResNetV2、InceptionV3、VGG16 模型訓(xùn)練結(jié)果分別如表2～表5 所示。表6 為4 種模型的準(zhǔn)確率對(duì)比，可以看到準(zhǔn)確率分別為73%、78%、78%、79%。

表2 ResNet50 模型訓(xùn)練結(jié)果

表3 InceptionResNetV2 模型訓(xùn)練結(jié)果

表4 InceptionV3 模型訓(xùn)練結(jié)果

表5 VGG16 模型訓(xùn)練結(jié)果

表6 模型準(zhǔn)確率對(duì)比

另外，利用VGG16 模型搭建出用于識(shí)別人臉情緒的UI 界面，如圖4 所示。

圖4 UI 結(jié)果顯示

4 結(jié)論

本文采用改進(jìn)后的FER2013 數(shù)據(jù)集分別對(duì)4 種網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，用于尋找進(jìn)行人臉表情識(shí)別的最佳模型。通過(guò)實(shí)驗(yàn)結(jié)果對(duì)比得知，VGG16 模型的準(zhǔn)確率相比于其他3 種模型準(zhǔn)確率更高。在網(wǎng)絡(luò)的搭建與訓(xùn)練過(guò)程中，發(fā)現(xiàn)不同的數(shù)據(jù)集和網(wǎng)絡(luò)結(jié)構(gòu)都會(huì)對(duì)模型的準(zhǔn)確率造成影響，后續(xù)可以在數(shù)據(jù)集的預(yù)處理以及損失函數(shù)的選擇等方向上進(jìn)行研究，以進(jìn)一步提高人臉識(shí)別模型的準(zhǔn)確率。