目  录

摘  要

ABSTRACT

1.绪论 1

1.1选题背景及意义 1

1.2国内外研究现状 1

1.3本课题的主要研究内容 2

2.相关技术 4

2.1 YOLO系列简介 4

2.1.1 YOLOv1 4

2.1.2 YOLOv2 5

2.1.3 YOLOv3 5

2.2 YOLOv3与其他目标检测算法的对比 6

3. 基于YOLOv3的人脸检测算法设计 8

3.1实验环境 8

3.2图像数据采集 8

3.2.1图像数据的采集 8

3.2.2图像数据集的扩充 9

3.2.3图片标注与图像数据集的制作 9

3.3 anchor box的更新 10

3.3.1 k-means算法的简介 12

3.3.2 k-means算法的流程 12

3.3.3 k-means算法聚类box框 13

3.4 lstm算法 14

3.5抗遮挡鲁棒算法 14

3.5训练过程 15

3.6训练结果及评估 17

3.7具体工作流程和效果图 18

4.总结与回顾 20

4.1总结 20

4.2工作回顾 20

参考文献 22

致谢 23

 

摘　　要

 

随着科技的发展与在生活中的应用，通常被人们忽视的学生课堂注意力不集中问题正变得越来越严重。如何有效和便捷地识别学生上课不专注成为一个日益严重的问题。当下，人脸识别技术作为一种新生科技开始被越来越多的学校与教育研究者所关注与重视，并希望应用到教学场合中。有遮挡的面部表情的识别对于由于疫情原因人人戴口罩的当下有着重要的意义，以牺牲区域特异性和繁琐的参数调谐为代价保证了准确度。

本系统的研究旨在完成人脸检测和遮挡条件下的表情识别，主要针对表情识别过程中的特征提取和表情分类两个核心阶段进行算法优化研究，力求提高表情识别算法在局部遮挡条件下的识别率和鲁棒性。

本系统尝试性的使用了YOLOv3网络提取面部区域，在通过CNN模块将每个面部表情编码成特征向量，然后通过CNN卷积转换的向量通过LSTM模块来对表情分类。

最终对测试本系统时，发现分析成功率很高。

 

关键词：

卷积神经网络； 面部表情识别； 人脸检测； 鲁棒表情识别； YOLOv3