表情识别方法及系统技术方案

本发明专利技术的实施例公开一种表情识别方法，包括：将待识别人脸图像输入至全局深度卷积神经网络以确定人脸图像的第一表情和第一分值，全局深度卷积神经网络基于具有不同表情的参考人脸图像进行深度学习得到；将人脸图像划分为多个子图像；将多个子图像的特征信息与参考特征信息进行比较以确定人脸图像的第二表情和第二分值，参考特征信息由具有不同表情的参考人脸图像的多个参考子图像确定；根据第一表情和第一分值以及第二表情和第二分值确定人脸图像的表情；相应的还提供一种表情识别系统；本发明专利技术实施例的方法及系统可以更加准确快速地识别出人脸表情。

【技术实现步骤摘要】

本专利技术涉及图像识别
，特别涉及一种表情识别方法及系统。
技术介绍
基于图像的面部表情识别在人机交互，人体情绪判断等智能领域有重要的价值。现有技术中用于识别面部表情的方法仅限于对清晰的静止的图片进行表情识别，而且为了准确的完成表情识别还需要被识别的图片为人脸的正脸图像，如果待识别的图片是在人活动过程中抓拍则极有可能得到的图片是虚的，不清楚的，或者由于环境光线等因素，得到的图片质量是难以辨别的，而且抓拍到的图片很有可能只是人的侧脸而非正脸图像，这时就不能准确的识别人的面部表情了，因而严重影响了面部表情识别在实际生活中的应用。因此，急需一种能够适应任何人脸姿态场景(人脸姿态场景至少包括正脸、左侧脸、右侧脸、左斜侧、右斜侧、低头、仰头)与外部成像场景(模糊、强光、黑暗)识别人的面部表情的方法。
技术实现思路
本专利技术实施例提供一种表情识别方法及系统，以用于至少解决上述技术问题之一。一方面，本专利技术实施例提供一种表情识别方法，其包括：将待识别人脸图像输入至全局深度卷积神经网络以确定所述人脸图像的第一表情和第一分值，所述全局深度卷积神经网络基于具有不同表情的参考人脸图像进行深度学习得到；将所述人脸图像划分为多个子图像；将所述多个子图像的特征信息与参考特征信息进行比较以确定所述人脸图像的第二表情和第二分值，所述参考特征信息由具有不同表情的参考人脸图像的多个参考子图像确定；至少根据所述第一表情和第一分值以及所述第二表情和第二分值确定所述人脸图像的表情。另一方面，本专利技术实施例还提供一种表情识别系统，其包括：全局表情识别模块，用于将待识别人脸图像输入至全局深度卷积神经网络以确定所述人脸图像的第一表情和第一分值，所述全局深度卷积神经网络基于具有不同表情的参考人脸图像进行深度学习得到；人脸图像划分模块，用于将所述人脸图像划分为多个子图像；局部表情识别模块，用于将所述多个子图像的特征信息与参考特征信息进行比较以确定所述人脸图像的第二表情和第二分值，所述参考特征信息由具有不同表情的参考人脸图像的多个参考子图像确定；目标表情确定模块，用于至少根据所述第一表情和第一分值以及所述第二表情和第二分值确定所述人脸图像的表情。本专利技术实施例的表情识别方法及系统中，一方面整体考虑人脸图像来确定人脸图像可能的第一表情以及人脸图像为第一表情的第一分值，弥补了在模糊、强光、黑暗等场景下局部识别效果也不好的缺点；另一方面通过将人脸图像划分为多个子图像的方法，进行局部特征的判断以确定人脸图像可能的第二表情以及人脸图像为第二表情的第二分值，弥补了在侧脸、斜侧等人脸姿态下整体识别效果不好的缺陷；之后综合考虑确定的第一表情和第一分值以及第二表情和第二分值来确定人脸图像的当前表情，本专利技术实施例的人脸识别方法及系统充分利用了人脸全局与局部的特性，判别准确率高，而且能够适应多种人脸姿态与模糊、强光、黑暗等多种成像场景。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术的表情识别方法一实施例的流程图；图2为本专利技术的表情识别方法另一实施例的流程图；图3为本专利技术的表情识别方法又一实施例的流程图；图4为本专利技术的表情识别系统一实施例的原理框图；图5为本专利技术的表情识别中的人脸图像划分模块一实施例的原理框图；图6为本专利技术的表情识别中的局部表情识别模块一实施例的原理框图；图7为本专利技术的用户设备的一实施例的结构示意图。具体实施例为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。本专利技术可用于众多通用或专用的计算系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本专利技术可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本专利技术，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。在本专利技术中，“组件”、“装置”、“系统”等等指应用于计算机的相关实体，如硬件、硬件和软件的组合、软件或执行中的软件等。详细地说，例如，组件可以、但不限于是运行于处理器的过程、处理器、对象、可执行组件、执行线程、程序和/或计算机。还有，运行于服务器上的应用程序或脚本程序、服务器都可以是组件。一个或多个组件可在执行的过程和/或线程中，并且组件可以在一台计算机上本地化和/或分布在两台或多台计算机之间，并可以由各种计算机可读介质运行。组件还可以根据具有一个或多个数据包的信号，例如，来自一个与本地系统、分布式系统中另一组件交互的，和/或在因特网的网络通过信号与其它系统交互的数据的信号通过本地和/或远程过程来进行通信。最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”，不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。基于图像的面部表情识别在人机交互，人体情绪判断等智能领域有重要的价值。目前有很多基于图像的表情识别研究，但是没有综合考虑整体与局部的结合特性，因此适应场景有限，例如，在侧脸、斜侧等人脸姿态下整体识别往往不好，在模糊、强光、黑暗等场景下局部识别效果也不好。为尽可能的适应多种人脸姿态场景与外部成像场景我们将人脸全局图像与眼睛、嘴巴、眉毛等局部图像分别进行判别，用深度卷积神经网络进行全局表情判别与局部特征提取，最后用支持向量机分类方法进行结果融合，最后得到带有人脸姿态的表情判断结果。该方法能够适应充分利用了人脸全局与局部的特性，判别准确率高，而且能够适应多种人脸姿态与模糊、强光、黑暗等多种成像场景。如图1所示，本专利技术的一实施例的表情识别方法，其包括：S11、将待识别人脸图像输入至全局深度卷积神经网络以确定所述人脸图像的第一表情和第一分值，所述全局深度卷积神经网络基于具有不同表情的参考人脸图像进行深度学习得到；S12、将所述人脸图像划分为多个子图像；S13、将所述多个子图像的特征信息与参考特征信息进行比较以确定所述人脸图像本文档来自技高网...

【技术保护点】
一种表情识别方法，包括：将待识别的人脸图像输入至全局深度卷积神经网络以确定所述人脸图像的第一表情和第一分值，所述全局深度卷积神经网络基于具有不同表情的参考人脸图像进行深度学习得到；将所述人脸图像划分为多个子图像；将所述多个子图像的特征信息与参考特征信息进行比较以确定所述人脸图像的第二表情和第二分值，所述参考特征信息由具有不同表情的参考人脸图像的多个参考子图像确定；至少根据所述第一表情和第一分值以及所述第二表情和第二分值确定所述人脸图像的表情。

【技术特征摘要】
1.一种表情识别方法，包括：将待识别的人脸图像输入至全局深度卷积神经网络以确定所述人脸图像的第一表情和第一分值，所述全局深度卷积神经网络基于具有不同表情的参考人脸图像进行深度学习得到；将所述人脸图像划分为多个子图像；将所述多个子图像的特征信息与参考特征信息进行比较以确定所述人脸图像的第二表情和第二分值，所述参考特征信息由具有不同表情的参考人脸图像的多个参考子图像确定；至少根据所述第一表情和第一分值以及所述第二表情和第二分值确定所述人脸图像的表情。2.根据权利要求1所述的方法，其中，所述将所述人脸图像划分为多个子图像包括：对所述人脸图像进行关键点定位；根据定位的所述人脸图像的关键点将所述人脸图像划分为多个子图像。3.根据权利要求2所述的方法，其中，所述将所述多个子图像的特征信息与所述参考特征信息进行比较以确定所述人脸图像的第二表情和第二分值包括：分别将所述多个子图像输入至局部深度卷积神经网络；从所述局部深度卷积神经网络的全连接层获取相应于所述多个子图像的特征信息；计算所述多个子图像的特征信息与所述参考特征信息的相似度值；确定相似度值最大的参考特征信息所对应的表情为所述第二表情；确定所述第二表情的相似度值为所述第二分值。4.根据权利要求2或3所述的方法，其中，还包括：根据所述多个子图像的相对位置关系确定所述人脸图像的人脸姿态。5.根据权利要求4所述的方法，其中，在所述将人脸图像输入至全局深度卷积神经网络之前还包括：对所述人脸图像进行校正处理。6.一种表情识别系统，包括：全局表情识别模块，用于将待识别人脸图像输入至全局深度卷积神经网络...

【专利技术属性】
技术研发人员：公绪超，
申请(专利权)人：乐视控股北京有限公司，乐视云计算有限公司，
类型：发明
国别省市：北京;11