一种基于深度卷积网络的情绪预测系统技术方案

本发明专利技术公开了一种基于深度卷积网络的情绪预测系统，进一步地，包括制作人脸情绪样本图库、利用卷积神经网络训练生成分类器、利用分类器进行人脸情绪预判步骤，所述制作人脸情绪样本图库包括以下步骤：S11、样本收集：收集整理人脸表情图片，S12、样本分类：对收集的人脸表情图片进行分类处理。本文将人脸情绪分为三类：中性、积极、消极。该种发明专利技术设计合理，功能实用，通过对原始图像直接进行特征提取再进行识别，识别效果将会较差。为解决该问题，在搭建神经网络时增加了神经网络的层数，使网络能提取更深层的特征；其中包括24个卷积层和2个全连接层。多层次的卷积神经网络对分类效果和识别鲁棒性都有较好的提高，该发明专利技术结构多样，适合推广。

An Emotion Prediction System Based on Deep Convolution Network

The invention discloses an emotional prediction system based on deep convolution network. Further, it includes the steps of making face emotion sample library, using convolution neural network to train and generate classifier, and using classifier to predict face emotion. The process of making face emotion sample library includes the following steps: S11, sample collection: collecting and collating facial expression pictures, S12, sample classification. Class: Classify and process the collected facial expression pictures. This paper divides facial emotions into three categories: neutral, positive and negative. The invention is reasonable in design and practical in function. By directly extracting features from the original image and then recognizing, the recognition effect will be poor. In order to solve this problem, the number of layers of the neural network is increased in the construction of the neural network, so that the network can extract deeper features, including 24 convolution layers and 2 full connection layers. The multi-level convolutional neural network has better classification effect and recognition robustness. The invention has various structures and is suitable for promotion.

【技术实现步骤摘要】
一种基于深度卷积网络的情绪预测系统
本专利技术涉及人脸情绪识别和图像处理设备
，特别涉及一种基于深度卷积网络的情绪预测系统。
技术介绍
随着计算机技术的飞速发展，人与计算机之间的交互已经成为人们日常生活中一个不可缺少的部分。传统的人机交互只是简单的借助键盘、鼠标等工具完成命令执行。随着人工智能和模式识别技术的快速发展，如今生物识别技术已经成为人机交互研究的重要领域之一。表情作为一种特殊的生物特征，它是人与人之间交流与互动的重要手段，也是了解他人主观心理状态的客观指标。在人与人的交流中，只有7％的信息通过语言来传递，而通过面部表情传递的信息却达到了55％[1]。由于人脸表情包含丰富的信息，因此对人脸表情进行识别有利于了解人类的情绪等心理状况，并且这使得人通过表情与计算机进行交互成为可能。人脸表情识别是计算机自动表情识别的简称，是指计算机根据人脸面部表情图像提取表情特征，然后对人的情感状态进行判别分类。人脸表情识别技术是人机智能交互和情感计算的重要组成部分。它涉及到诸多学科，比如生理学、图像处理、机器视觉、模式识别、心理学等研究领域，是一个富有挑战性的多学科交叉课题，近年来，人脸表本文档来自技高网...

【技术保护点】
1.一种基于深度卷积网络的情绪预测系统，包括制作人脸情绪样本图库、利用卷积神经网络训练生成分类器、利用分类器进行人脸情绪预判步骤，其特征在于：所述制作人脸情绪样本图库包括以下步骤：S11、样本收集：收集整理人脸表情图片；S12、样本分类：对收集的人脸表情图片进行分类处理；所述人脸情绪分为三类：中性、积极、消极；中性情绪为人在正常情况下的面部表现；积极情绪为人高兴时候的面部表现；消极情绪包括生气、愤怒、悲伤、惊讶等消极的情绪；S13、样本正规化：将原始样本图像进行图像大小变换操作，将其分辨率统一到416*416PPI，并将图像数据转化为浮点向量数据；S14、样本标记：根据不同类别对样本进行标记；...

【技术特征摘要】
1.一种基于深度卷积网络的情绪预测系统，包括制作人脸情绪样本图库、利用卷积神经网络训练生成分类器、利用分类器进行人脸情绪预判步骤，其特征在于：所述制作人脸情绪样本图库包括以下步骤：S11、样本收集：收集整理人脸表情图片；S12、样本分类：对收集的人脸表情图片进行分类处理；所述人脸情绪分为三类：中性、积极、消极；中性情绪为人在正常情况下的面部表现；积极情绪为人高兴时候的面部表现；消极情绪包括生气、愤怒、悲伤、惊讶等消极的情绪；S13、样本正规化：将原始样本图像进行图像大小变换操作，将其分辨率统一到416*416PPI，并将图像数据转化为浮点向量数据；S14、样本标记：根据不同类别对样本进行标记；所述卷积神经网络训练并生成人脸情绪分类器包括以下步骤：S21将原始样本图像进行图像大小变换操作，将其分辨率统一到416*416PPI，并将图像数据转化为浮点向量数据；S22、神经网络初始化：构建一个多层深度卷积神经网络，通过初始设定权值参数初始化每一层的神经网络；S23、神经网络输入:将标记好的一个图像样本的浮点向量数据和图像的标记数据输入到神经网络输入层，完成初始化的深度卷积神经网络的输入层；S24、训练神经网络：根据神经网络输入层的数据，经过多层卷积神经网络的计算，得到最后一层的输出向量；S25、神经网络优化：通过不断的反向修改各层权值参数，达到优化神经网络的效果。即将输出向量和标记类的理想输出向量进行比较，得到误差值，利用误差值反向自动修正各层神经网络的权值参数，完成一组训练；S26、神经网络训练完成：生成一个对人脸情绪进行预测的深度卷积神经网络；所述利用分类器进行人脸情绪预判步骤：S31、测试样本图像正则化：将原始样本图像进行图像大小变换操作，将其分辨率统一到416*416PPI，并将图像数据转化为浮点向量数据；S32、神经网络初始化：搭建与训练过程中相同的深度卷积神经网络，通过加载训练网络训练得到的最终权值参数初始化每一层神经网络；S33、神经网络输入:将标记好的一个图像样本的浮点向量数据和样本标志...

【专利技术属性】
技术研发人员：梁佐鑫，
申请(专利权)人：深圳市淘米科技有限公司，
类型：发明
国别省市：广东,44