一种利用深度相关神经网络模型识别人脸表情的方法及装置制造方法及图纸

一种利用深度相关神经网络模型识别人脸表情的方法及装置，本发明专利技术方法包含以下步骤：1)训练深度相关神经网络模型；2)输入图像到训练好的模型，得到人脸表情特征，3)将特征输入分类器，得到识别结果。本发明专利技术的装置由主机和客户机构成；其中，主机内设置有人脸数据采集模块、表情识别模块、监护模块三部分；连接关系为，人脸数据采集模块、表情识别模块、监护模块三部分依序连接；监护模块与客户机连接。本发明专利技术的有益效果为，1)使最后的识别准确度更高；2)本发明专利技术克服输入测试图像时对模型参数反馈自适应调节参数的问题；3)本发明专利技术根据损失函数反馈，通过样本的重要性来自适应调整模型参数，具有更好的鲁棒性。

【技术实现步骤摘要】

本专利技术属于人脸表情识别
，尤其是属于一种基于改进后的深度神经网络模型(DNN)人脸表情识别方法

技术介绍
面部表情识别，简单说来是对最基本的人类情绪的识别，最基本的人类情绪共分七种，包含愤怒、厌恶、恐惧、快乐、悲伤、惊讶和正常。人与人之间的交流，基于表情内容而获得的信息占据绝大部分，远超过基于语言内容而获得的信息，所以表情信息的获得、分析对于一个个人来讲是十分重要的。随着计算机技术的高速发展，人工智能技术的进步，一些人工智能产品如机器人等已经出现在人类的生活中，但是对于机器人来讲，如何正确识别人类的面部表情，从而分析人类的基本情绪，最终实现人机之间有感情的高级沟通交流，已经成为人工智能领域的一个新兴、热点研究课题。现有的面部表情识别技术，一般包含三个步骤：面部图像预处理、特征提取和分类。在提取特征部分有两种方法，1)面部动作单元方法，即通过检测和分析如眼部、嘴巴等这些每个单独的面部单元特征，对这些特征进行组合之后来进行一些面部表情分析；2)容貌特征法，将整个人脸或者局部人脸通过图像的滤波得到特征矢量，得到特征矢量后进行表情的分类与识别。上述第1种方法，即使用面部动作单元方法提取表情特征时，由于每个运动单元是每个局部化的空间模板，没有时间描述信息，需要可靠的面部检测与跟踪技术，还需要人脸检测器捕获人脸特征点准确的位置信息，以确保提取出准确的特征信息，在很多情况下，并不能保证有很高的准确率和性能。上述第2种方法，即使用容貌特征法，由于大部分容貌特征法都要提取手工特征，在将这类方法用在新的数据集上时泛化能力较差。现有的面部表情识别技术所使用的传统的DNN(深度神经网络)、T-DNN(基于triplet损失的深度神经网络)等算法，在对模型反馈调节模型参数时，对所有的训练样本不加区分，使得有些样本在训练不同的表情类时区分度不高，对表情、姿态与光照等复杂变化的鲁棒性差，最终不能更好的识别人类的面部表情特征。
技术实现思路
对于上述现有技术的缺点，本专利技术提供一种利用深度相关神经网络模型识别人脸表情的方法，本专利技术对人脸表情的识别更为合理、准确。一种利用深度相关神经网络模型识别人脸表情的方法，本专利技术包含以下步骤：1)训练深度相关神经网络模型；2)输入图像到训练好的模型，得到人脸表情特征，3)将特征输入分类器，得到识别结果。本专利技术步骤1、步骤2)的内容为，首先构造一种隐含层数目大于等于3层的深度神经网络结构进行模型训练；训练过程中，用损失函数判断哪些样本是重要样本，重要样本为其对应的特征与同类样本对应的特征之间的距离和其对应的特征与异类样本对应的特征之间的距离很接近的样本；对于重要样本，在更新模型时，给予更多的权重去训练学习。因此，定义样本集合P＝{Pi本文档来自技高网...

【技术保护点】
一种利用深度相关神经网络模型识别人脸表情的方法，其特征在于，包含以下步骤：1)训练深度相关神经网络模型；2)输入图像到训练好的模型，得到人脸表情特征，3)将特征输入分类器，得到识别结果。

【技术特征摘要】
1.一种利用深度相关神经网络模型识别人脸表情的方法，其特征在于，包含以下步骤：1)训练深度相关神经网络模型；2)输入图像到训练好的模型，得到人脸表情特征，3)将特征输入分类器，得到识别结果。2.根据权利要求1所述的一种利用深度相关神经网络模型识别人脸表情的方法，其特征在于...

【专利技术属性】
技术研发人员：林旭，
申请(专利权)人：深圳市联合视觉创新科技有限公司，
类型：发明
国别省市：云南;53