The invention provides a bi-directional LSTM micro expression recognition depression method based on feature pyramid network, which includes: firstly, 12 pictures are extracted from the video stream in one second in medium time, 12 pictures are input into the model, then the features of pictures are extracted through RESNET network, and a multi dimension is obtained through multi-layer conv = {conv1, conv2, conv3, conv4, conv5} The image features of {m2, m3, M4, M5} of different scales are obtained by adding two times of up sampling and 1 * 1 convolution transformation of conv layers. Then {m2, m3, M4, M5} of different scales of different pictures are removed through 3 * 3 convolution layer to remove the aliasing effect caused by up sampling. Then, the feature image is expanded into one through full connection layer The feature vector of dimension is used as the input of four bidirectional LSTM models respectively, and the output ot = {OT2, OT3, ot4, ot5} is obtained. Finally, the final prediction value of OT is obtained through a layer of full connection layer.
【技术实现步骤摘要】
一种基于特征金字塔网络的双向LSTM微表情识别抑郁症方法
本专利技术涉及计算机
,特别涉及一种基于特征金字塔网络的双向LSTM微表情识别抑郁症方法。
技术介绍
心理疾病作为众多疾病中较难确诊并不好发现的一种,一直是人们在所有疾病中重视度较低的疾病。基于对心理疾病的抵触心理以及对心理疾病缺乏基本的认识,人们往往会在心理疾病产生初期并没有及时就医,而是选择自己调节,直到心理疾病严重到影响到正常生活甚至生命的时候才迫不得已才进行就医,而抑郁症作为心理疾病中的一个相对普遍的疾病,正或多或少地影响着人们生活的方方面面。如何针对当下社会的心理疾病的情况设计出一个较好的解决方案是一个亟待解决的课题。计算机视觉提供了较好的解决方案,通过摄像头捕捉到人的面部表情并将结果传输到计算机,通过深度学习对获得的图片进行处理分析,从而获得想要的结果。图像识别问题希望借助计算机程序来对图片中的内容进行处理、分析和理解,是的计算机可以区分图片中不同的目标和对象。卷积神经网络作为图像处理中的一种重要技术,可以很好地提取图像中特征信息,现常见的网络架构例如ResNet,VggNet,GoogleNet等等都有比较好的效果,通过卷积神经网络提取出来的高度压缩的特征通过变换成1维特征向量,再通过几层全连接层实现判别物体的输出。特征金字塔网络FPN在保证高速度和高精度的基础上提供了一种可以提取图像中不同尺度的特征,通过将卷积神经网络提取出来的高压缩特征以及在卷积神经网络过程中的隐藏层进行结合,从而得到尺度不相同的特征。把低分辨率 ...
【技术保护点】
1.一种基于特征金字塔网络的双向LSTM微表情识别抑郁症方法,其特征包括,包括下列步骤:/n特征提取:将1秒的视频等时间分成12张图片,通过ResNet对图片分别进行特征提取;/n特征产生:通过将ResNet提取出的图像通过图像金字塔进行一系列卷积求和操作,从而产生不同尺度特征;/n特征串联:将不同图片中提取出来的相同尺度特征通过使用双向LSTM网络进行特征串联,从而得到输出结果。/n
【技术特征摘要】
1.一种基于特征金字塔网络的双向LSTM微表情识别抑郁症方法,其特征包括,包括下列步骤:
特征提取:将1秒的视频等时间分成12张图片,通过ResNet对图片分别进行特征提取;
特征产生:通过将ResNet提取出的图像通过图像金字塔进行一系列卷积求和操作,从而产生不同尺度特征;
特征串联:将不同图片中提取出来的相同尺度特征通过使用双向LSTM网络进行特征串联,从而得到输出结果。
2.如权利要求1所述的方法,在特征提取阶段采用ResNet加特征金字塔的形式对图片中的特征进行提取,特点在于使用了残差学习的方法对图像的特征进行提取,使得网络在训练的时候能够更加快速的进行收敛,同时加大网络特征提取的能力;
若将输入设为,将某一有参网络层设为,那么以为输入的此层的输出将为;一般的CNN网络如Alexnet/VGG等会直接通过训练学习出参数函数的表达,从而直接学习;
与传统卷积神经网络不同,残差网络主要特点是能够利用网络每一层有参网络对残差进行学习,即,即学习;其中这一部分为直接的identitymapping,而则为有参网络层要学习的输入输出间的残差,一般的CNN网络只是在最后输出层的时候对映射函数进行拟合,比较困难,这也是为什么普通卷积神经网络比较难以训练的原因;而ResNet不去直接学习映射函数,转而去学习一个残差函数,在这个公式中,只要就构成了一个恒等映射.而且,拟合残差肯定更加容易;
经过第一步RestNet特征提取之后,我们采用特征金字塔网络(FPN)对ResNet提取到的特征进行进一步地处理,得到不同尺寸的特征图,这将在网络进行比较细小的图像部分识别时产生帮助;
在这一阶段FPN的输入是任意大小尺寸的图像,并通过全卷积层输出多个级别的按比例缩放的特征图,对于Re...
【专利技术属性】
技术研发人员:田文洪,许凌霄,
申请(专利权)人:成都中科云集信息技术有限公司,
类型:发明
国别省市:四川;51
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。