1、研究内容

提出了一种利用深度残差网络ResNet-50进行特征提取的方法，结合卷积神经网络进行人脸情感识别。通过对指定数据集的实验仿真，可以证明该模型在人脸情感检测性能上优于目前主流的人脸情感识别模型。

2、研究现状介绍

面部情绪识别是指从给定的静态图像或动态视频序列中分离出特定的面部状态，以确定待识别对象的心理情绪。

面部表情可以分为七类:快乐、悲伤、恐惧、愤怒、惊讶、厌恶和中性。

脸表情识别首先要对采集的图像进行预处理，然后进行特征提取和分类识别。

阿里、哈里-哈兰、雅科布和阿东(2015)提出使用支持向量机(SVM)方法。埃文斯(Evans，2017)提出了使用哈尔小波变换(HWT)的方法。菲利普斯(Phillips，2018)提出了一种结合平稳小波熵和Jaya算法的新方法。

通过对上述文献的分析，可以发现上述方法提取的面部情感特征存在原始情感信息容易丢失的问题。此外，这些网络模型的泛化能力和鲁棒性也较差，人脸表情识别的准确率也不高。

针对上述问题，提出了一种改进的人脸情感识别模型。使用ResNet-50作为网络基础设施。用卷积神经网络提取特征，用贝叶斯网络和激活函数ReLU提高模型的收敛能力。通过下面的仿真实验，可以验证所提出的人脸情感识别方法的识别性能优于最先进的方法。

3、数据集

佳能数码相机拍摄了20名不同年龄、不同职业和不同种族的受试者的十次面部表情，包括七种面部情绪图片:快乐、悲伤、恐惧、愤怒、惊讶、厌恶和中性。最终，我们总共有700张图片。

4、卷积

卷积(Hasebe &上田，2021