一种基于人脸图像的情绪识别方法及装置制造方法及图纸

本发明专利技术涉及图像处理领域，公开了一种基于人脸图像的情绪识别方法及装置，包括步骤：建立基于深度学习的情绪估计卷积神经网络；情绪估计卷积神经网络包括特征提取模块、情绪信息提取模块和情绪分类操作；获取人脸情绪图像数据样本集，将人脸情绪图像数据样本集分成样本训练集和测试集，分别利用训练集和测试集对情绪估计卷积神经网络进行训练和测试；将待测试的人脸情绪图像数据样本输入至已训练好的情绪估计卷积神经网络中，获得人脸情绪识别结果。本发明专利技术通过多次交叉融合特征，避免了在多次卷积过程中遗失重要的特征信息，同时还通过设置相加操作以及情绪信息提取操作增强了重要的局部细节特征，提高了人脸情绪识别的准确率。

【技术实现步骤摘要】
一种基于人脸图像的情绪识别方法及装置
本专利技术涉及图像处理领域，尤其涉及一种基于人脸图像的情绪识别方法及装置。
技术介绍
人脸蕴含了丰富的生物信息,包括身份、情绪、年龄和性别等,基于人脸的生物特征识别技术是当前的研究热点。随着人机交互、智能商务和社会安全的发展，人脸图像的情绪估计技术在日常生活和商业市场中有着广泛的应用前景。目前情绪估计多被处理为分类问题，首先提取特征，然后使用分类器进行分类得到最终的预测结果，此方法会导致提取到的人脸情绪信息特征与预测结果产生割裂，从而导致该方法在预测准确度上有较大提升空间。鉴于此，克服上述现有技术所存在的缺陷是本
亟待解决的问题。
技术实现思路
本专利技术的目的在于提供一种基于人脸图像的情绪识别方法及装置，从而解决现有技术中存在的前述问题。为了实现上述目的，本专利技术采用的技术方案如下：一种基于人脸图像的情绪识别方法，包括步骤：S1)建立基于深度学习的情绪估计卷积神经网络；情绪估计卷积神经网络包括特征提取模块、情绪信息提取模块和情绪分类操作；本文档来自技高网...

【技术保护点】
1.一种基于人脸图像的情绪识别方法，其特征在于，包括步骤：/nS1)建立基于深度学习的情绪估计卷积神经网络；所述情绪估计卷积神经网络包括特征提取模块、情绪信息提取模块和情绪分类操作；/nS2)获取人脸情绪图像数据样本集，将所述人脸情绪图像数据样本集分成样本训练集和测试集，分别利用所述训练集和测试集对所述情绪估计卷积神经网络进行训练和测试；/nS3)将待测试的人脸情绪图像数据样本输入至已训练好的情绪估计卷积神经网络中，获得人脸情绪识别结果。/n

【技术特征摘要】
1.一种基于人脸图像的情绪识别方法，其特征在于，包括步骤：
S1)建立基于深度学习的情绪估计卷积神经网络；所述情绪估计卷积神经网络包括特征提取模块、情绪信息提取模块和情绪分类操作；
S2)获取人脸情绪图像数据样本集，将所述人脸情绪图像数据样本集分成样本训练集和测试集，分别利用所述训练集和测试集对所述情绪估计卷积神经网络进行训练和测试；
S3)将待测试的人脸情绪图像数据样本输入至已训练好的情绪估计卷积神经网络中，获得人脸情绪识别结果。


2.根据权利要求1所述的基于人脸图像的情绪识别方法，其特征在于，步骤S1)中建立基于深度学习的情绪估计卷积神经网络，包括步骤：
S11)建立所述特征提取模块，获得特征图；所述特征提取模块包括卷积层，最大采样层，激活层和归一化层；
S12)构建情绪信息提取模块，获得情绪信息提取模块的输出结果；
S13)对所述情绪信息提取模块的输出进行情绪分类操作。


3.根据权利要求2所述的基于人脸图像的情绪识别方法，其特征在于，步骤S12)中构建情绪信息提取模块，获得情绪信息提取模块的输出结果，包括步骤：
S121)将所述特征提取模块获得的特征图作为情绪信息提取模块的输入；
S122)使用第一卷积计算对所述输入进行特征提取，生成特征图F1；
S123)使用第二卷积计算对所述输入进行特征提取，生成特征图F2；使用情绪信息提取操作对所述特征图F2进行人脸情绪特征提取，生成特征图F3；
S124)对所述特征图F1和所述特征图F3的重叠位置元素进行第一相加操作，对所述特征图F1和所述特征图F3的重叠位置元素进行第一相加操作后的结果进行第三卷积计算，生成特征图F4；
S125)使用第四卷积计算对所述输入进行特征提取，生成特征图F5；
S126)对所述特征图F3和所述特征图F4的重叠位置元素进行第二相加操作，采用第五卷积计算对第二相加操作的结果进行特征提取，获得最终特征提取结果，将所述最终特征提取结果作为所述情绪信息提取模块的输出结果。


4.根据权利要求3所述...

【专利技术属性】
技术研发人员：杨明博，张博豪，翟波，
申请(专利权)人：北方工业大学，
类型：发明
国别省市：北京;11