一种动态演化表情的识别方法与系统技术方案

本发明专利技术提供了一种动态演化表情的识别方法，其中，该自适应识别方法包括：步骤1，根据表情类别的动态增加，构建并优化过往表情记忆模块；步骤2，根据新类别的表情数据，利用过往表情记忆模块最小化“紧凑分类‑蒸馏”损失函数，动态升级表情识别系统；步骤3，根据输入需要识别的表情图片和当前状态下的表情识别系统，输出图片的表情种类标签。本发明专利技术给予面部表情识别系统可以支持类别动态增加的任何一个阶段的训练和识别，而且达到稳定可靠的性能。与传统面部表情识别系统相比，该系统显著降低在训练时的内存和时间损耗。

【技术实现步骤摘要】
一种动态演化表情的识别方法与系统
本申请涉及的
，具体而言，涉及一种动态演化表情的识别方法以及一种动态演化表情的识别系统。
技术介绍
表情识别技术在人机交互、工业控制、医疗教育等领域取得了广泛的应用，是分析用户行为、评估心理状态、监控病情发展等任务的重要工具。随着心理学对于情绪分析的不断细化，越来越多的复杂表情类别开始被公众所创造、关注和使用。在这种情况下，动态演化表情的识别方法成为了表情识别技术中一项紧急和基础的挑战。而现有技术中，采用类型固定的表情识别方法，在引入新表情类别的数据时，需要废弃原有的表情识别模型，再使用包括原有表情类别和新表情类别在内的所有数据重新训练新的表情识别模型，导致在实际应用过程中内存和时间损耗过高，限制了表情识别技术在复杂表情类别中的应用。而导致这一问题的根源在于，在训练面向类别动态增加的表情识别模型时，难以保留模型对原有表情类别的知识记忆，存在原有表情类别的识别准确率大幅降低的可能性，使得表情识别技术无法泛化到表情类别动态增加的应用场景。
技术实现思路
本申请的目的在于：增强了面向本文档来自技高网...

【技术保护点】
1.一种动态演化表情的识别方法，其特征在于，所述自适应识别方法包括：/n步骤1、根据表情类别的动态增加，构建并优化过往表情记忆模块；/n步骤2、根据新类别的表情数据，利用过往表情记忆模块最小化“紧凑分类-蒸馏”损失函数，动态升级表情识别系统；/n步骤3、根据输入需要识别的表情图片和当前状态下的表情识别系统，输出图片的表情种类标签。/n

【技术特征摘要】
1.一种动态演化表情的识别方法，其特征在于，所述自适应识别方法包括：
步骤1、根据表情类别的动态增加，构建并优化过往表情记忆模块；
步骤2、根据新类别的表情数据，利用过往表情记忆模块最小化“紧凑分类-蒸馏”损失函数，动态升级表情识别系统；
步骤3、根据输入需要识别的表情图片和当前状态下的表情识别系统，输出图片的表情种类标签。


2.如权利要求1所述的动态演化表情的识别方法，其特征在于，所述步骤1中，具体包括：
步骤11、根据计算设备的内存限制以及数据获取权限完整程度，设置过往表情记忆模块的存储代表性表情图片的总规模K；
步骤12、在系统初始化阶段后，根据初始化中的s0类表情数据，为过往表情记忆模块设置可以存储K张图片的内存；
步骤13、对于s0类表情数据中的每一类表情中的每一张图片，通过神经网络的特征提取模块提取特征向量；
步骤14、将每一类表情的图片的特征向量求算术平均值特征向量c；
步骤15、根据算术平均值向量依次生成K/s0张图片，并构成一个有序序列；对于第k张图片，从k＝1到K/s0，可依照计算公式如下：



其中x为表情图片，f()为网络模型的特征提取模块，pj为有序图片序列中已生成的图片，c是第k张图片对应表情类型的算术平均值特征向量；
步骤16、根据每一类表情的图片数据生成的有序图片序列，共同构建初始化的过往表情记忆模块；
步骤17、在新的sk-sk-1类表情数据出现时，对于过往表情的代表性数据模块进行优化更新；遍历现有的sk个表情类别，判断当前执行的表情类别是否为新的sk-sk-1类，若是新的sk-sk-1类，对于新的sk-sk-1类表情执行步骤13-步骤15，并最终生成K/sk张图片的有序序列；若不是新的sk-sk-1类，则执行步骤18；
步骤18、对于非新类别的表情数据，每类表情在记忆模块现有一个K/sk-1张图片的有序序列，删除序列尾端的(K/sk-1)-(K/sk)张图片；
步骤19、在记忆模块存储新类别表情的有序图片序列。


3.如权利要求1所述的动态演化表情的识别方法，其特征在于，所述步骤2中，具体包括：
步骤21、在系统初始化阶段，根据初始化中的s0类表情数据，构建可用表情图片数据库；
步骤22、获取所述可用表情图片数据库中至少一张表情图片；
步骤23、根据所述表情图片，通过神经网络的特征提取模块，提取所述表情图片的特征，记作特征向量；
步骤24、根据所述特征向量，利用线性分类算法，生成分类特征，并计算“紧凑分类”损失函数；
步骤25、根据所述分类特征，构建所述表情识别模型，并计算所述表情识别模型的性能指标；
步骤26、判断所述表情识别模型的所述性能指标是否收敛，若否，执行步骤23；
步骤27、在所述新的sk-sk-1类的表情数据出现时，根据所述新的sk-sk-1类的表情数据和所述以往表情记忆模块，构建可用表情图片数据库；
步骤28、将上一状态下的表情识别模型记为原表情识别模型，根据原表情识别模型，构建当前表情识别模型；
步骤29、获取所述可用表情图片数据库中至少一张表情图片，记获取的表情图片数量为m；
步骤210、根据所述表情图片，通过原表情识别模型的特征提取模块，提取所述表情图片对应的特征，再利用线性分类算法，生成分类特征，记作原分类特征o0(i)；
步骤211、根据所述表情图片，通过当前表情识别模型的特征提取模块，提取所述表情图片对应的特征，记作当前特征向量feat(i)；
步骤212、根据所述当前特征向量，利用线性分类算法，生成分类特征，记作当前分类特征o(i)；
步骤213、计算所述“紧凑分类-蒸馏”损失函数，根据所述当前分类特征，构建所述表情识别模型，并计算所述表情识别模型的性能指标，“紧致分类-蒸馏”损失函数的计算公式为：






<...

【专利技术属性】
技术研发人员：赵曦滨，朱俊杰，骆炳君，高跃，
申请(专利权)人：清华大学，
类型：发明
国别省市：北京;11