一种表情识别方法及装置制造方法及图纸

技术编号:19778980 阅读:54 留言:0更新日期:2018-12-15 11:32
本发明专利技术实施例提供了一种表情识别方法,该方法包括:获取待识别图像,对所述待识别图像进行人脸检测;截取检测出的人脸区域;将所述人脸区域输入至预先训练得到的深度可分离卷积神经网络中,得到表情识别结果。应用本发明专利技术实施例提供的表情识别方法,不必预先构建多种表情模型,只需训练深度可分离卷积神经网络,而深度可分离卷积神经网络中的参数的数量较少,这样,就可以减少表情识别过程中的计算量。

【技术实现步骤摘要】
一种表情识别方法及装置
本专利技术涉及图像处理
,特别是涉及一种表情识别方法及装置。
技术介绍
在人机交互、实时监控、自动驾驶以及社交网络等领域中,计算机越来越需要理解人类的内心情感。而表情是人类表达内心情感的最主要的方式之一,因此,计算机对表情的识别技术对于计算机理解人类的内心情感显得尤为重要。现有的表情识别方案通常包括:预先构建多种表情模型,将待识别图像与这多种表情模型进行匹配,根据匹配结果确定图像中的表情。但是这种方案中,需要构建大量表情模型,计算量大。
技术实现思路
本专利技术实施例的目的在于提供一种表情识别方法及装置,以实现减少表情识别过程的计算量。本专利技术实施例提出了一种表情识别方法,所述方法包括:获取待识别图像,对所述待识别图像进行人脸检测;截取检测出的人脸区域;将所述人脸区域输入至预先训练得到的深度可分离卷积神经网络中,得到表情识别结果。可选的,所述将所述人脸区域输入至预先训练得到的深度可分离卷积神经网络中,得到表情识别结果,包括:将所述人脸区域输入至预先训练得到的深度可分离卷积神经网络中,利用所述深度可分离卷积神经网络中的权值参数对所述人脸区域进行卷积处理;对卷积结果进行融合分析,得到表情识别结果。可选的,采用如下步骤,训练得到所述深度可分离卷积神经网络中的权值参数:针对所述深度可分离卷积神经网络中的每层卷积,计算该层卷积中每个神经元的敏感度,根据反向传播算法及所述每个神经元的敏感度,对该层卷积的权值参数进行收敛,得到该层卷积的权值参数。可选的,采用如下公式,对该层卷积的权值参数进行收敛:其中,表示第l-1层的神经元j的敏感度,D表示与所述第l-1层的神经元j相关的第l层神经元的个数,表示第l层的神经元d的敏感度,表示第l层的神经元d的权值参数,f′(netl-1)表示第l-1层的激活函数的导数,表示第l-1层的神经元d的敏感度的偏导数,表示第l-1层的输出的偏导数,δl表示第l层的敏感度,Wl表示第l层的权值参数。可选的,所述将所述人脸区域输入至预先训练得到的深度可分离卷积神经网络中,利用预先训练得到的权值参数进行卷积处理,包括:采用如下公式,对所述人脸区域进行卷积处理:其中,表示第l层的局部感受野的特征值,f表示卷积函数,Mj表示神经元j对应的局部感受野,表示第l层的神经元i的第j个输入对应的预先训练得到的权值参数,Bl表示第l层的偏置,表示第l-1层的局部感受野中的特征值。可选的,采用如下步骤,对卷积结果进行融合分析,得到表情识别结果:对卷积结果进行预处理,得到预处理结果;将所述人脸区域输入至第一预设卷积结构中,得到第一输出结果;建立所述预处理结果与所述第一输出结果的对应关系,得到连接层处理结果;将所述连接层处理结果输入至第二预设卷积结构中进行处理,将所述第二预设卷积结构的处理结果输入至第二预设卷积结构中进行处理,判断将所述第二预设卷积结构的处理结果输入至第二预设卷积结构的次数是否达到预设阈值,如果未达到,返回执行所述将所述第二预设卷积结构处理结果输入至第二预设卷积结构中进行处理的步骤,如果达到,得到所述第二预设卷积结构输出值;对所述第二预设卷积结构输出值进行池化处理,得到所述人脸区域的特征值;对所述特征值进行分类,得到表情识别结果。可选的,采用如下公式,对卷积结果进行预处理:yi=γxi+β其中,xi表示第i个输入的数据,μB表示均值,m表示所述卷积结果的数量,表示方差,表示对输入的数据进行标准化操作,ε表示噪声,γ、β表示训练的参数,通过线性变化求得原来的数值,yi表示xi的批规范化处理结果,βl表示第l层的可训练参数,Mj表示神经元j对应的局部感受野,Bl表示第l层的偏置,表示l前一层的局部感受野的特征值,表示第l层的局部感受野的特征值,f1表示泛化函数,f2表示激活函数;采用如下公式,对所述特征值进行分类,得到表情识别结果:其中,Si表示第i个特征值的分类值,Vi表示第i个特征值,Vj表示第j个特征值,e是一个常数,表示自然对数的底数。可选的,所述将所述人脸区域输入至预先训练得到的深度可分离卷积神经网络中,得到表情识别结果,包括:对所述候选人脸区域进行归一化处理;将归一化处理后的人脸区域输入至预先训练得到的深度可分离卷积神经网络中,得到表情识别结果。可选的,所述表情识别结果为:所述待处理图像中的人脸区域对应不同表情的识别概率;在所述将所述人脸区域输入至预先训练得到的深度可分离卷积神经网络中,得到表情识别结果之后,所述方法还包括:根据所述表情识别结果中包括的所述识别概率,确定符合预设概率条件的表情的标识;在所述待识别图像中标注所确定的表情的标识;或者,在所述待识别图像中标注所述人脸区域对应不同表情的识别概率。本专利技术实施例还提供了一种表情识别装置,所述装置包括:人脸识别模块,用于获取待识别图像,对所述待识别图像进行人脸检测;图像截取模块,用于截取检测出的人脸区域;表情识别模块,用于将所述人脸区域输入至预先训练得到的深度可分离卷积神经网络中,得到表情识别结果。本专利技术实施例还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述任一所述的表情识别方法。本专利技术实施例提供的表情识别方法及装置,首先对待识别图像进行人脸检测,截取待识别图像的人脸区域,然后将人脸区域输入至预先训练得到的深度可分离卷积神经网络中,从而得到表情识别结果,不必预先构建多种表情模型,只需训练深度可分离卷积神经网络,而深度可分离卷积神经网络中的参数的数量较少,这样,就可以减少表情识别过程中的计算量。当然,实施本专利技术的任一产品或方法并不一定需要同时达到以上所述的所有优点。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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为本专利技术实施例提供的一种表情识别方法的架构图;图2为本专利技术实施例提供的一种表情识别方法的流程示意图;图3为矩形特征级联分类器模型示意图;图4(a)、(b)、(c)、(d)、(e)为一种实现方式中,将人脸区域输入至预先训练得到的深度可分离卷积神经网络中的处理过程;图5为深度可分离卷积神经网络的结构示意图;图6为本专利技术实施例提供的一种表情识别装置的结构示意图;图7为本专利技术实施例提供的一种电子设备的结构示意图。具体实施方式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,所描述的实施例仅仅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做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。为了解决现有技术中,在对图像进行分析,识别图像中人脸的面部表情时,通常预先构建多种表情模型,将待识别图像与这多种表情模型进行匹配,根据匹配结果确定图像中的表情,因此需要构建大量表情模型,计算量大的问题,本专利技术提出了一种表情识别方法及装置。下面从总体上对本专利技术实施例提供的表情识别方法进行说明。该方法可以应用于电子设备,如计算机、服务器、摄像机等等,具体不做限定。本专利技术的一种实现方式中,上述表情本文档来自技高网...

【技术保护点】
1.一种表情识别方法,其特征在于,所述方法包括:获取待识别图像,对所述待识别图像进行人脸检测;截取检测出的人脸区域;将所述人脸区域输入至预先训练得到的深度可分离卷积神经网络中,得到表情识别结果。

【技术特征摘要】
1.一种表情识别方法,其特征在于,所述方法包括:获取待识别图像,对所述待识别图像进行人脸检测;截取检测出的人脸区域;将所述人脸区域输入至预先训练得到的深度可分离卷积神经网络中,得到表情识别结果。2.根据权利要求1所述的方法,其特征在于,所述将所述人脸区域输入至预先训练得到的深度可分离卷积神经网络中,得到表情识别结果,包括:将所述人脸区域输入至预先训练得到的深度可分离卷积神经网络中,利用所述深度可分离卷积神经网络中的权值参数对所述人脸区域进行卷积处理;对卷积结果进行融合分析,得到表情识别结果。3.根据权利要求2所述的方法,其特征在于,采用如下步骤,训练得到所述深度可分离卷积神经网络中的权值参数:针对所述深度可分离卷积神经网络中的每层卷积,计算该层卷积中每个神经元的敏感度,根据反向传播算法及所述每个神经元的敏感度,对该层卷积的权值参数进行收敛,得到该层卷积的权值参数。4.根据权利要求3所述的方法,其特征在于,采用如下公式,对该层卷积的权值参数进行收敛:其中,表示第l-1层的神经元j的敏感度,D表示与所述第l-1层的神经元j相关的第l层神经元的个数,表示第l层的神经元d的敏感度,表示第l层的神经元d的权值参数,f′(netl-1)表示第l-1层的激活函数的导数,表示第l-1层的神经元d的敏感度的偏导数,表示第l-1层的输出的偏导数,δl表示第l层的敏感度,Wl表示第l层的权值参数。5.根据权利要求2所述的方法,其特征在于,所述将所述人脸区域输入至预先训练得到的深度可分离卷积神经网络中,利用预先训练得到的权值参数进行卷积处理,包括:采用如下公式,对所述人脸区域进行卷积处理:其中,表示第l层的局部感受野的特征值,f表示卷积函数,Mj表示神经元j对应的局部感受野,表示第l层的神经元i的第j个输入对应的预先训练得到的权值参数,Bl表示第l层的偏置,表示第l-1层的局部感受野中的特征值。6.根据权利要求2所述的方法,其特征在于,采用如下步骤,对卷积结果进行融合分析,得到表情识别结果:对卷积结果进行预处理,得到预处理结果;将所述人脸区域输入至第一预设卷积结构中,得到第一输出结果;建立所述预处理结果与所述第一输出结果的对应关系,得到连接层处理结果;将所述连接层处理结果输入至第二预设卷积结构中进行处理,将所述第二预设卷...

【专利技术属性】
技术研发人员:景晓军祝轶哲黄海田耒
申请(专利权)人:北京邮电大学
类型:发明
国别省市:北京,11

网友询问留言 已有0条评论
  • 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。

1