【技术实现步骤摘要】
人脸面部复合情感表情识别方法及系统
本专利技术属于图像处理和计算机视觉
，尤其是涉及一种人脸面部复合情感表情识别方法及系统。
技术介绍
近年来，随着智能设备的不断更新，机器学习和深度学习等算法的不断更迭，人脸识别技术发展的越来越成熟，目前已经被广泛运用于各大应用平台和日常生活中。同时，作为人脸识别领域的一个重要分支，人脸表情识别(FacialExpressionRecognition，FER)也被更多的研究学者们所重视。人脸表情识别已经在很多领域得到了广泛关注，比如人机交互、驾驶员疲劳监测、智能机器人、智慧医疗等。人类的面部表情至少有21种，除了常见的高兴、吃惊、悲伤、愤怒、厌恶和恐惧6种，还有惊喜(高兴+吃惊)、悲愤(悲伤+愤怒)等15种可被区分的复合表情，当然可以根据不同的标准对面部表情种类进行进一步的细化。通常来说，人脸表情识别算法主要包括四个步骤：获取人脸图像、人脸检测、人脸特征提取、人脸特征分类。人脸表情识别算法大致来说，可分为传统研究方法和基于深度学习的研究方法。传统研究方法中，常常会将人脸特征提取...
【技术保护点】
1.一种人脸面部复合情感表情识别方法，其特征在于，包括以下步骤：/nS01：对图像进行人脸检测，提取脸部特征关键点；/nS02：计算关键点之间的距离度量，得到人脸的几何表示向量；/nS03：构建双分支人脸检测网络，包括第一分支网络结构和第二分支网络结构，将人脸图像通过第一分支网络结构得到第一特征向量；将得到的人脸的几何表示向量通过第二分支网络结构得到第二特征向量；所述第一特征向量与第二特征向量尺寸相同，将第一特征向量与第二特征向量连接得到第三特征向量，得到当前人脸图像的表情类别置信度；/nS04：构建人脸检测网络多分类损失函数进行优化求解，预测表情类别。/n
【技术特征摘要】
1.一种人脸面部复合情感表情识别方法，其特征在于，包括以下步骤：
S01：对图像进行人脸检测，提取脸部特征关键点；
S02：计算关键点之间的距离度量，得到人脸的几何表示向量；
S03：构建双分支人脸检测网络，包括第一分支网络结构和第二分支网络结构，将人脸图像通过第一分支网络结构得到第一特征向量；将得到的人脸的几何表示向量通过第二分支网络结构得到第二特征向量；所述第一特征向量与第二特征向量尺寸相同，将第一特征向量与第二特征向量连接得到第三特征向量，得到当前人脸图像的表情类别置信度；
S04：构建人脸检测网络多分类损失函数进行优化求解，预测表情类别。
2.根据权利要求1所述的人脸面部复合情感表情识别方法，其特征在于，所述步骤S02之前还包括对提取的关键点进行标记，对图像进行预处理操作。
3.根据权利要求1所述的人脸面部复合情感表情识别方法，其特征在于，所述步骤S01中人脸检测方法，包括：
S11：将包含人脸的图像作为正样本，将不包含人脸的图像作为负样本，对一定数量的正负样本分别提取方向梯度直方图特征，获取方向梯度直方图特征描述子；
S12：使用支持向量机算法对正负样本进行训练，得到训练后的模型，用于实现二分类；
S13：对训练好的模型进行难分样本挖掘，包括，对训练集中的负样本数据进行缩放，与模板匹配，通过模板滑动窗口进行搜索匹配；如果出现误检，则截取误检人脸区域，并加入负样本数据中。
4.根据权利要求2所述的人脸面部复合情感表情识别方法，其特征在于，所述预处理操作包括，第一层回归训练和第二层回归训练；
所述第一层回归训练，包括以下步骤：
将第一层回归训练中的数据组织形式表示为其中，Iπi是训练数据集中的人脸图像，为第一层回归中的第t层的所预测的关键点位置，ΔSi(t)是第t层预测值和真实值之间的差值，迭代公式如下：
其中，I表示迭代过程中，每一层的输入；
按上述迭代方式不断进行迭代，当第一层回归级联层数设置为K层时，产生γ1,γ2,…,γk个回归器，这些回归器即为通过训练所得到的回归模型；
所述第二层回归训练，包括，将每一个第一层回归完成后的误差ΔSi(t)作为每一个第二层回归的输入，通过梯度提升树算法确定每一层回归器γt。
5.根据权利要求1所述的人脸面部复合情感表情识别方法，其特征在于，所述步骤S02中得到人脸的几何表示向量，包括：
S21：计算每个特征关键点与鼻子处的特征关键点的距离：
l′(i)＝l(i)-l(30)
其中，l为关键点向量值，i为特征关键点编号，l(30)为鼻子处的特征关键点；
S22：然后用平均关键点脸lm(i)替...
【专利技术属性】
技术研发人员：陈海波，罗志鹏，张治广，
申请(专利权)人：深延科技北京有限公司，
类型：发明
国别省市：北京;11
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。