基于bayesian网络的面部情感判别分析研究

情感占据了人类精神世界的核心地位，对面部情感的直接表现形式面部表情的分析与研究不仅有助于理解情感，而且将极大地促进人工智能、人机交互等学科的发展。目前研究人员从表情的几何结构和统计特性两个角度对表情识别进行了研究，提出了很多经典算法，但是算法的易实现性和模型可解释性之间的矛盾一直没有得到有效地解决。本项目将Bayesian网络模型引入表情识别中，试图利用Bayes统计理论和图的直观表达来研究表情的统计特性和特征间的逻辑关系，进而准确地判别与分析表情，算法兼顾了可解释性与可计算性，特点鲜明。主要研究内容包括：标准有效网络结构的设计、缺失或不完全信息数据的学习与训练、标签和无标签数据的联合训练、隐变量和隐节点的个数与定位的算法设计、模型更新过程中增量学习算法的设计和表情的本质表达研究。基于Bayesian网络的表情识别研究，对于分析表情、提高表情识别率、理解情感具有重要的理论意义和实用价值。