建立表情识别模型方法、装置、计算机设备及存储介质制造方法及图纸

本申请实施例属于人工智能领域，涉及一种建立表情识别模型方法，包括：获取多张第一训练图像数据以及多张第二训练图像数据；根据特征值获取多张目标图像数据对应的聚类中心、以及多张目标图像数据对应的基准图；随机抽取不同基准图的两张目标图像数据做为第一输入图像数据，得到与聚类中心相对应的多张第一输入图像数据；随机抽取相对应不同聚类中心的第二输入图像，得到多张第二输入图像数据；将第一输入图像、第二输入图像以及第一输入图像对应的聚类中心输入至EmtionNet。此外，本申请还涉及区块链技术，第一训练图像数据以及第二训练图像数据可存储于区块链中。本申请还提供一种建立表情识别模型装置、计算机设备及存储介质。提高了表情识别精准度。

【技术实现步骤摘要】
建立表情识别模型方法、装置、计算机设备及存储介质
本申请涉及人工智能领域，尤其涉及一种建立表情识别模型方法、装置、计算机设备及存储介质。
技术介绍
人脸表情识别是人工智能重要领域，在视觉任务中，应用前景极其广泛；比如在智能教育中，通过载入表情识别分析课堂学生情绪，教育者基于此分析出学生课堂积极性及课堂成效并掌握全局和个别学生状态及时做出应对，从而指导教育者灵活变动教育互动等方式，提升教育成果转化率；同样应用于安防、智慧城市、在线教育、人机互动和犯罪分析等领域。在20世专家就通过跨文化调研提出了七类基础表情，分别是生气，害怕，厌恶，开心，悲伤，惊讶以及中立,分析当前基于深度学习的表情识别方法。通常表情识别需要人脸检测、人脸对齐、人脸归一化、深度特征学习和表情分类最终通过逻辑回归(softmax)获得当前七种人脸表情的概率，概率最高的为当前表情。然而,精度不尽人意。采用网络集成比如adaboost，通过网络模型多样性进行互补，提升明显。尝试不同的训练函数。但在数据驱动方面，非常用表情数据获取难度过大，数据标注人为主观性强，比如害怕和惊讶混淆性强，这本文档来自技高网...

【技术保护点】
1.一种建立表情识别模型方法，其特征在于，包括下述步骤：/n获取多张第一训练图像数据以及多张第二训练图像数据；/n通过所述多张第一训练图像数据以及所述多张第二训练图像数据，训练残差神经网络，得到目标残差神经网络以及所述多张第一训练图像对应输出的特征值；/n根据所述特征值，获取多张目标图像数据、所述多张目标图像数据对应的聚类中心、以及所述多张目标图像数据对应的基准图；/n为每一张所述目标图像数据，随机抽取同一所述聚类中心，并且不同基准图的至少两张所述目标图像数据作为第一输入图像数据，得到与所述聚类中心相对应的一组配对的第一输入图像数据；/n为每一张目标图像数据的配对的所述第一输入图像数据，随机抽...

【技术特征摘要】
1.一种建立表情识别模型方法，其特征在于，包括下述步骤：
获取多张第一训练图像数据以及多张第二训练图像数据；
通过所述多张第一训练图像数据以及所述多张第二训练图像数据，训练残差神经网络，得到目标残差神经网络以及所述多张第一训练图像对应输出的特征值；
根据所述特征值，获取多张目标图像数据、所述多张目标图像数据对应的聚类中心、以及所述多张目标图像数据对应的基准图；
为每一张所述目标图像数据，随机抽取同一所述聚类中心，并且不同基准图的至少两张所述目标图像数据作为第一输入图像数据，得到与所述聚类中心相对应的一组配对的第一输入图像数据；
为每一张目标图像数据的配对的所述第一输入图像数据，随机抽取相对应不同所述聚类中心的至少一张基准图，得到与所述第一输入图像数据对应的第二输入图像数据；
将所述第一输入图像数据、所述第二输入图像数据以及所述第一输入图像数据对应的聚类中心输入至EmtionNet；
通过三元损失函数训练所述EmtionNet，得到训练好的EmtionNet。


2.根据权利要求1所述的建立表情识别模型方法，其特征在于，所述通过所述多张第一训练图像数据以及所述多张第二训练图像数据，训练残差神经网络，得到目标残差神经网络以及所述多张第一训练图像对应输出的特征值的步骤具体包括：
通过所述多张第一训练图像数据训练初始残差神经网络，得到训练好的残差神经网络；
获取第二训练图像数据，通过所述第二训练图像数据微调所述训练好的残差神经网络，得到目标残差神经网络；
去除所述目标残差神经网络的逻辑回归层，将所述多张第一训练图像数据输入至所述目标残差神经网络，得到所述多张第一训练图像对应输出的特征值。


3.根据权利要求2所述的建立表情识别模型方法，其特征在于，所述通过所述多张第一训练图像数据训练初始残差神经网络，得到训练好的残差神经网络的步骤具体包括：
获取所述多张第一训练图像数据以及所述第一训练图像数据所对应的标注标签；
将所述第一训练图像数据以及所述对应的标注标签输入至所述初始残差神经网络；
通过训练所述初始残差神经网络，得到训练好的残差神经网络，其中i，j为所述第一训练图像数据的图像标号，x为所述残差神经网络输出特征，W为神经元的权重，m为超参数，L为损失函数的值，s为固定值，为向量i以及向量j之间的夹角，X*为所述残差神经网络输出特征归一化前的值，W*为所述神经元的权重归一化前的值；
将所述训练好的残差神经网络部署至客户端。


4.根据权利要求1-3任一项所述的建立表情识别模型方法，其特征在于，所述根据所述特征值，获取多张目标图像数据、所述多张目标图像数据对应的聚类中心、以及所述多张目标图像数据对应的基准图的步骤之前还包括：
通过k均值聚类算法聚类所述述多张第一训练图像对应输出的特征值，得到7个聚类中心；
预设第一预设值m；
通过k均值聚类算法为每个所述聚类中心聚类所述第一预设值个聚类中心，得到每个所述聚类中心对应的m个基准图。


5.根据权利要求4中所述的建立表...

【专利技术属性】
技术研发人员：张展望，田笑，周超勇，刘玉宇，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东;44