一种识别猕猴面部表情的方法技术

本发明专利技术公开一种识别猕猴面部表情的方法，包括如下步骤：构建猕猴面部图像样本集，所述猕猴面部图像样本集包括多种不同的猕猴表情；将所述猕猴面部图像样本集划分为训练集、验证集和测试集三个部分；计算训练集中所有猕猴面部图像的通道均值；构建、训练、验证和测试猕猴面部表情分类模型；基于完成训练的猕猴面部表情分类模型提取猕猴正面图像的表情属性。本发明专利技术通过对静态猕猴面部图像样本集建立猕猴面部表情分类模型，达到识别猕猴图像表情的目的，同时提高了识别猕猴表情的速度与效率。

【技术实现步骤摘要】
一种识别猕猴面部表情的方法
本专利技术属于图像处理及分析
，特别涉及一种识别猕猴面部表情的方法。
技术介绍
从灵长类行为学角度和认知科学角度来说，猕猴有4种基本的面部表情：中性、臣服、恐惧和恐吓。这与同为灵长类的人类的面部表情有非常大的区别，例如人类有7种基本面部表情：厌恶、愤怒、恐惧、高兴、悲伤以及惊奇。对于非研究猕猴行为学特征的专业人士，识别猕猴的面部表情是困难的。而传统靠肉眼辨别猕猴面部表情的方法对于专业人士来说也耗时且低效。因此，准确、高效地识别猕猴面部表情在了解灵长类动物的活动和社会学特征以及开展灵长类的行为学研究中越来越重要。尽管目前已经有很多用于识别人类面部表情的方法和系统，但是目前还没有一套专门用于识别猕猴个体表情的人工智能识别系统。近年来，基于深度学习的机器学习模型发展迅速，深度学习机器学习模型通过在海量数据上对图像特征进行迭代训练，提取到图像中用于区分不同类型物体的属性特征，可以达到非常好的分类和识别效果。深度神经网络在物体分类、人脸识别上已经表现出了非常优越的性能。而到目前为止，还没有基于深度神经网络来对猕猴表情进行识别的方法可以应用。
技术实现思路
为此，本专利技术提供了一种识别猕猴面部表情的方法，通过对静态猕猴面部图像样本集建立人脸表情分类模型，达到识别猕猴图像表情的目的，同时提高了识别猕猴表情的速度与效率。本专利技术提供了一种识别猕猴面部表情的方法，包括如下步骤：S1：构建猕猴面部图像样本集，所述猕猴面部图像样本集包括多种不同的猕猴表情；<br>S2：将所述猕猴面部图像样本集划分为训练集、验证集和测试集三个部分，保证三个部分的图像互不包含，且不同部分不含有相同猕猴个体的图像；S3：计算训练集中所有猕猴面部图像的通道均值；S4：首先将训练集、验证集和测试集按照猕猴表情分类，然后基于VGGFace模型构建猕猴面部表情分类模型，之后将所构建的猕猴面部表情分类模型在训练集上进行微调，并在验证集上进行验证，完成训练后，选择在验证集上获得猕猴面部表情验证正确率最高的猕猴面部表情分类模型，在测试集上进行测试，得到猕猴面部表情分类正确率；S5：对于给定的猕猴面部图像，先对其减去步骤S3中计算的通道均值，再将其输入完成训练的猕猴面部表情分类模型，得到猕猴面部图像的表情属性。进一步，步骤S1中，所述猕猴面部图像样本集包括四种不同的猕猴面部表情：中性、臣服、恐惧和恐吓。进一步，步骤S1还包括使用图像处理软件对每一幅猕猴面部图像进行编辑和处理，以保证这些猕猴面部图像之间的低层次视觉信息一致。进一步，所述低层次视觉信息包括图像背景、猕猴毛发、猕猴肤色以及图像明暗。进一步，步骤S4包括如下子步骤：S41:基于VGGFace模型构建猕猴面部表情分类模型，所述猕猴面部表情分类模型复制了VGGFace模型上除了分类块外的所有模型设计及其参数，并具有一个表情分类块，所述表情分类块包含一个flatten层和三个全连接层，其中最后一个全连接层的输出大小与猕猴面部表情的种类数对应，初始化所述表情分类块的参数；S42:冻结VGGFace模型对应的层及其参数，而只开放所述表情分类块之前的第一个卷积块，在训练集上训练所述表情分类块以及其之前的第一个卷积块，当模型训练收敛时，如果正确率不是很高，则依次开放所述表情分类块之前的第二个卷积块和第三个卷积块，进行猕猴面部表情分类模型的训练。本专利技术的有益效果：在目前没有基于深度学习对猕猴面部表情进行识别的技术的情况下，本专利技术可以较准确的识别猕猴面部表情，提高猕猴面部表情识别的效率；同时，本专利技术对于猕猴的行为学和社会学研究也大有益处，研究人员可以通过本专利技术自动识别猕猴的表情，从而判断猕猴当时所处的情绪状态；此外，研究人员通过本专利技术对猕猴群体表情的分析，还可以进一步研究猕猴群体之间的交流。附图说明图1为本专利技术的识别猕猴面部表情的方法流程图；图2为本专利技术的猕猴面部表情分类器的训练示意图。具体实施方式下面结合附图和实施例进一步描述本专利技术，应该理解，以下所述实施例旨在便于对本专利技术的理解，而对其不起任何限定作用。如图1所示，本专利技术的识别猕猴面部表情的方法包括如下步骤：S1：构建猕猴面部图像样本集首先采集猕猴的正面面部图像，构成所需的猕猴面部图像样本集。本实施例共选择了81个不同的猕猴个体，每个猕猴个体约有100张图像，整个样本集中包含了猕猴的四种表情：中性、臣服、恐惧和恐吓。应该注意，并不是每个猕猴个体都包含了上述4种表情，但样本集中四种猕猴表情的图像数量基本均衡，共计8100张左右。特别地，为了尽量保证这些图像之间的低层次视觉信息(如背景色、毛发、肤色、明暗等)的一致，本实施例使用adobepremierepro图像处理软件对每一幅猕猴面部图像进行了编辑和处理。S2:将猕猴面部图像样本集划分为三个部分：将样本集的60％的猕猴个体的所有图像，共计约4900张图像，作为训练集；样本集的20％的猕猴个体的所有图像，共计约1600张图像，作为验证集；样本集剩下的20％的猕猴个体的所有图像，共计约1600张图像，作为测试集。S3:计算训练集中图像的通道均值因为猕猴表情图像样本集均是由灰度图片扩展为RGB图片，即每个通道的像素值都相同，所以每个通道的均值也相同。在后续模型的训练、验证、测试阶段，均采用均值减法的图像预处理方法。S4:构建、训练、验证和测试猕猴面部表情分类模型首先将训练集、验证集、测试集均按照4种猕猴表情分类，然后基于基于VGG16网络架构的VGGFace模型创建一个新的神经网络模型，即猕猴面部表情分类模型，它复制了VGGFace模型上除了分类块(包含了一个flatten层和三个全连接层)外的所有模型设计及其参数。这些模型参数包含了VGGFace模型在源数据集上学习到的人脸相关信息，因此和本专利技术的猕猴面部图像数据集有一定的相关性。接着为猕猴面部表情分类模型添加一个表情分类块(同样包含了一个flatten层和三个全连接层，其中最后一个全连接层的输出大小为4，对应4种猕猴表情)，并初始化表情分类块的参数。最后冻结原VGGFace模型对应的层及其参数，然后在训练集上训练猕猴面部表情分类模型中用于表情分类的分类块。训练结束后，正确率并不高，这是因为VGGFace模型是用于人脸身份识别的模型，因此分类块之前的层提取的信息是关于人脸身份的，直接用于猕猴的面部表情分类会对正确率有所影响。于是进一步开放猕猴表情分类模型分类块之前的第一个卷积块(卷积块5，见图2)，让这两部分都参与后续训练。当模型训练收敛时，如果正确率仍不是很高，可以进一步依次开放猕猴面部表情分类模型中的第二个卷积块(卷积块4)和第三个卷积块(卷积块3)，进行模型的训练至模型收敛，选择在验证集上表现最好的模型，在测试集上进行测试，最终达到超过显著水平的准确率。S5：对于给定的猕猴面部图像，先对其减去步骤S3中计算的通道均值，再将其本文档来自技高网...

【技术保护点】
1.一种识别猕猴面部表情的方法，其特征在于，包括如下步骤：/nS1：构建猕猴面部图像样本集，所述猕猴面部图像样本集包括多种不同的猕猴表情；/nS2：将所述猕猴面部图像样本集划分为训练集、验证集和测试集三个部分，保证三个部分的图像互不包含，且不同部分不含有相同猕猴个体的图像；/nS3：计算训练集中所有猕猴面部图像的通道均值；/nS4：首先将训练集、验证集和测试集按照猕猴表情分类，然后基于VGGFace模型构建猕猴面部表情分类模型，之后将所构建的猕猴面部表情分类模型在训练集上进行微调，并在验证集上进行验证，完成训练后，选择在验证集上获得猕猴面部表情验证正确率最高的猕猴面部表情分类模型，在测试集上进行测试，得到猕猴面部表情分类正确率；/nS5：对于给定的猕猴面部图像，先对其减去步骤S3中计算的通道均值，再将其输入完成训练的猕猴面部表情分类模型，得到猕猴面部图像的表情属性。/n

【技术特征摘要】
1.一种识别猕猴面部表情的方法，其特征在于，包括如下步骤：
S1：构建猕猴面部图像样本集，所述猕猴面部图像样本集包括多种不同的猕猴表情；
S2：将所述猕猴面部图像样本集划分为训练集、验证集和测试集三个部分，保证三个部分的图像互不包含，且不同部分不含有相同猕猴个体的图像；
S3：计算训练集中所有猕猴面部图像的通道均值；
S4：首先将训练集、验证集和测试集按照猕猴表情分类，然后基于VGGFace模型构建猕猴面部表情分类模型，之后将所构建的猕猴面部表情分类模型在训练集上进行微调，并在验证集上进行验证，完成训练后，选择在验证集上获得猕猴面部表情验证正确率最高的猕猴面部表情分类模型，在测试集上进行测试，得到猕猴面部表情分类正确率；
S5：对于给定的猕猴面部图像，先对其减去步骤S3中计算的通道均值，再将其输入完成训练的猕猴面部表情分类模型，得到猕猴面部图像的表情属性。


2.根据权利要求1所述的方法，其特征在于，步骤S1中，所述猕猴面部图像样本集包括四种不同的猕猴面部表情：中性、臣服、恐惧和恐吓。


...

【专利技术属性】
技术研发人员：张慧，周嘉琪，潘梅卿，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京;11