【技术实现步骤摘要】
一种基于图卷积神经网络的人脸表情识别方法
本专利技术属于人脸表情识别
具体涉及一种基于图卷积神经网络的人脸表情识别方法。
技术介绍
人脸表情不仅是人类心理活动的生理表现,而且在人际沟通中有着不可或缺的重要性。人脸表情识别的方法有两类:基于机器学习的识别方法和基于深度学习的识别方法。基于机器学习的识别方法易受特征提取效果优劣的影响。而基于深度学习识别方法将特征提取和表情分类结合在一起,克服基于机器学习的识别方法的缺点。基于深度学习的方法中,卷积神经网络被广泛使用于建立表情分类模型。Matsuguetal(MatsuguM,MoriK,MitariY,etal.Subjectindependentfacialexpressionrecognitionwithrobustfacedetectionusingaconvolutionalneuralnetwork[J].NeuralNetworks,2003,16(5-6):555-559)使用卷积神经网络建立人脸表情分类器用于人脸表情的分类。使用该方法虽然获得了较高的识别率,但使用卷积神经网络建立的分类器只能提取图像中的8邻域的相关信息,对于相距较远像素点之间的相关信息的提取能力较差。影响了建立的分类器对人脸表情识别的正确率。
技术实现思路
本专利技术旨在克服现有技术缺陷,目的在于提供一种基于图卷积神经网络的人脸表情识别方法;该方法能提取较为广泛的像素点之间相关信息,人脸表情识别率高。为了实现上述目的,本专利技术采用的技术方案的具体步骤是:步骤1、获取一组大小为m×m的人脸表情的灰度图像,组成人脸表情图像集合 ...
【技术保护点】
1.一种基于图卷积神经网络的人脸表情识别方法,其特征在于所述人脸表情识别方法的具体步骤是:步骤1、获取一组大小为m×m的人脸表情的灰度图像,组成人脸表情图像集合Image,将人脸表情图像集合Image中的每张人脸表情的灰度图像对应的人脸表情标记组成人脸表情标记集合Label;其中的每张人脸表情的灰度图像对应的人脸表情标记为高兴、吃惊、悲伤、愤怒、厌恶和恐惧中的一种;步骤2、将人脸表情图像集合Image中每张人脸表情的灰度图像转换成无向图,组成人脸表情无向图集合Graph;所述人脸表情的灰度图像转换成无向图的具体步骤是:步骤2.1、将人脸表情的灰度图像中的每一个像素点作为无向图中的一个顶点;步骤2.2、设人脸表情的灰度图像中相邻的两个像素点之间的距离为1;步骤2.3、将人脸表情的灰度图像中的每一个像素点依次作为中心像素点,然后进行如下操作:先将距中心像素点的欧氏距离小于等于2的像素点组成固定取点集合Fixed;再将距中心像素点的欧氏距离大于2且小于4的像素点组成随机取点集合Random;然后将中心像素点所对应的无向图的顶点与固定取点集合Fixed中所有像素点所对应的无向图的顶点相连,将中 ...
【技术特征摘要】
1.一种基于图卷积神经网络的人脸表情识别方法,其特征在于所述人脸表情识别方法的具体步骤是:步骤1、获取一组大小为m×m的人脸表情的灰度图像,组成人脸表情图像集合Image,将人脸表情图像集合Image中的每张人脸表情的灰度图像对应的人脸表情标记组成人脸表情标记集合Label;其中的每张人脸表情的灰度图像对应的人脸表情标记为高兴、吃惊、悲伤、愤怒、厌恶和恐惧中的一种;步骤2、将人脸表情图像集合Image中每张人脸表情的灰度图像转换成无向图,组成人脸表情无向图集合Graph;所述人脸表情的灰度图像转换成无向图的具体步骤是:步骤2.1、将人脸表情的灰度图像中的每一个像素点作为无向图中的一个顶点;步骤2.2、设人脸表情的灰度图像中相邻的两个像素点之间的距离为1;步骤2.3、将人脸表情的灰度图像中的每一个像素点依次作为中心像素点,然后进行如下操作:先将距中心像素点的欧氏距离小于等于2的像素点组成固定取点集合Fixed;再将距中心像素点的欧氏距离大于2且小于4的像素点组成随机取点集合Random;然后将中心像素点所对应的无向图的顶点与固定取点集合Fixed中所有像素点所对应的无向图的顶点相连,将中心像素点所对应的无向图的顶点与随机取点集合Random中随机选取p个像素点所对应的无向图的顶点相连;步骤2.4、转换成的无向图的邻接矩阵W的第i行第j列的数值Wij为:式(1)中:sij表示人脸表情的灰度图像中的第i个像素点vi与第j个像素点vj之间的欧式距离;所述无向图的邻接矩阵W∈Rnxn;步骤3、根据人脸表情无向图集合Graph和人脸表情标记集合Label,建立人脸表情识别分类器:步骤3.1、一个图卷积神经网络含有6个图卷积层、一个全连接层和一个softmax层;每个图卷积层含有一个图信号滤波层和一个图的粗化层,确定每个图卷积层中的输入无向图的个数、输出无向图的个数和使用滤波器的大小,确定全连接层的节点数Mf;softmax层有6个输出,分别对应6种基本表情;步骤3.2、将第1个图卷积层的可训练参数θ1、第2个图卷积层的可训练参数θ2、第3个图卷积层的可训练参数θ3、第4个图卷积层的可训练参数θ4、第5个图卷积层的可训练参数θ5、第6个图卷积层的可训练参数θ6、全连接层的可训练参数θf和softmax层的可训练参数θsoft组成图卷积神经网络的可训练参数集合θ;步骤3.3、将图卷积神经网络的可训练参数集合θ初始化;步骤3.4、将图卷积神经网络的可训练参数集合θ和人脸表情无向图集合Graph放入图卷积神经网络进行前向传播,得到人脸表情标记预测集合Predict;人脸表情标记预测集合Predict是由人脸表情图像的无向图训练集合Graph中每个无向图的预...
【专利技术属性】
技术研发人员:柴利,吴晨晖,杨君,盛玉霞,
申请(专利权)人:武汉科技大学,
类型:发明
国别省市:湖北,42
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。