The invention relates to an expression recognition method based on the depth residual network, replacing the conventional activation function ReLU in the depth residual network, replacing the activation function Noisy Softplus with a biological authenticity, so that the improved depth residual network can train the expression data on the ordinary computer and then train the training of the expression data. The optimized network model is deployed on the brain like computing hardware to perform facial expression recognition. Compared with the traditional manual extraction method, the invention greatly improves the recognition rate and is not restricted by the facial expression shooting environment. The established network model can adapt to all kinds of problems and has good universality. Compared with the ordinary depth residual network, it has a high recognition rate, very low power consumption and very low response time. With the maturity of computer hardware, it can gradually deploy to low-power electronic devices such as wearable devices, handheld devices, etc.
【技术实现步骤摘要】
一种基于深度残差网络的表情识别方法
本专利技术涉及神经网络识别的
,尤其涉及到一种基于深度残差网络的表情识别方法。
技术介绍
面部表情是人类用来表达感情,传递内心世界的重要途径,在社会和人际交往中显得尤为重要。随着社会的发展,人脸表情识别技术在人机交互,安全,汽车等领域发挥着巨大的作用。例如在犯罪侦查系统中,可以通过表情识别技术分析嫌疑人的心理活动等。目前的表情识别提取特征方法主要是手工提取特征和通过构建深度神经网络进行自动学习提取特征两类方法。相对于手工提取特征方法,深度神经网络可以提取到更加高级的特征,识别效果更明显。这种方法可以做到输入原始图像,经过网络的自动训练,就能输出我们想要的结果,目前已经广泛的应用于工业界,但是深度神经网络参数过多,训练时间和运行时间过长,能量消耗过大也是制约其发展的瓶颈。
技术实现思路
本专利技术的目的在于克服现有技术的不足,提供一种基于深度残差网络的表情识别方法。该方法对深度残差网络中常规的激活函数ReLU进行替换,换成一种具有生物真实性的激活函数NoisySoftplus,使得改进后的深度残差网络可在普通计算机上对表情数据训练,然后将训练优化好的网络模型部署在类脑计算硬件上,进行识别任务,以达到低功耗,低响应的效果。为实现上述目的,本专利技术所提供的技术方案为:包括以下步骤:S1、根据实际需要进行表情数据制作;S2、根据步骤S1制作好的表情数据库进行网络搭建,把常用激活函数替换成具有生物真实性的NoisySoftplus函数;S3、在步骤S2搭建好的网络上进行模型训练,训练出最优模型;S4、将步骤S3训练出的最优模型 ...
【技术保护点】
1.一种基于深度残差网络的表情识别方法,其特征在于:包括以下步骤:S1、根据实际需要进行表情数据制作;S2、根据步骤S1制作好的表情数据库进行网络搭建,把常用激活函数替换成具有生物真实性的Noisy Softplus函数;S3、在步骤S2搭建好的网络上进行模型训练,训练出最优模型;S4、将步骤S3训练出的最优模型部署在对应的类脑计算硬件上进行表情识别;所述步骤S2搭建的网络为深度残差网络,包括输入层、隐藏层以及输出层;其中,隐藏层包括两个连续进行的操作:先进行输入值与参数进行连接映射计算:Z[l]=W[l]X+b[l];l代表第l层,X代表每一个隐藏层的输入向量,W,b为网络中的连接参数;然后采用非线性激活函数Noisy Softplus对映射后的值进行非线性激活;非线性激活函数Noisy Softplus的计算公式如下:
【技术特征摘要】
1.一种基于深度残差网络的表情识别方法,其特征在于:包括以下步骤:S1、根据实际需要进行表情数据制作;S2、根据步骤S1制作好的表情数据库进行网络搭建,把常用激活函数替换成具有生物真实性的NoisySoftplus函数;S3、在步骤S2搭建好的网络上进行模型训练,训练出最优模型;S4、将步骤S3训练出的最优模型部署在对应的类脑计算硬件上进行表情识别;所述步骤S2搭建的网络为深度残差网络,包括输入层、隐藏层以及输出层;其中,隐藏层包括两个连续进行的操作:先进行输入值与参数进行连接映射计算:Z[l]=W[l]X+b[l];l代表第l层,X代表每一个隐藏层的输入向量,W,b为网络中的连接参数;然后采用非线性激活函数NoisySoftplus对映射后的值进行非线性激活;非线性激活函数NoisySoftplus的计算公式如下:常量k为尺度因子,控制曲线形状,σ用于控制噪声强弱,其表达式为:2.根据权利要求1所述的一种基于深度残差网络的表情识别方法,其特征在于:所述步骤S1中,表情数据制作包括数据采集和数据标注;其中,数据采集时,根据...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。