一种基于深度学习的人脸表情识别方法、装置及设备制造方法及图纸

本发明专利技术公开了一种基于深度学习的人脸表情识别方法、装置及设备，该方法包括：获取原始人脸表情图像，将原始人脸表情图像输入生成对抗网络；获取生成对抗网络根据当前人脸表情图像生成的合成人脸图像；构建人脸表情识别网络，根据原始人脸数据及合成人脸数据，对人脸表情识别网络进行训练，生成目标识别网络；获取待识别的人脸图像，将待识别的人脸图像输入目标识别模型，获取目标识别模型的输出结果，根据输出结果确定人脸图像中的人脸表情。本发明专利技术实施例基于生成对抗网络的方法，在一个统一的框架内，同时执行面部表情合成和识别任务，提高了人脸表情识别速度，提高了识别的准确率。

【技术实现步骤摘要】
一种基于深度学习的人脸表情识别方法、装置及设备
本专利技术涉及图像处理
，尤其涉及一种基于深度学习的人脸表情识别方法、装置及设备。
技术介绍
随着人工智能行业的兴起，基于深度学习的面部表情识别技术越来越受大家的关注，特别在网络直播课中，通过分析直播视频中学生的面部表情，可以得到当前学生的听课状态如何，从而更有利于老师管理和教学。近年来，深度学习在图像分类、人脸识别等许多计算机视觉任务中取得了优异的成绩。直到最近，基于深度学习的人脸表情识别方法也得到了发展。然而，这些人脸表情识别方法在无约束环境下的性能还远远不能令人满意。原因之一是，公开的面部表情数据库通常只包含少量的训练数据。虽然丰富多样的面部图像在互联网上是可以得到的，这些图像的手工标签是耗时和昂贵的。因此，利用有限数量的训练数据来训练深度神经网络并不是一件小事。为了缓解训练数据不足所带来的问题，研究者尝试利用辅助数据来训练神经网络来实现有效的人脸表情识别。例如，有研究者针对混合数据库(由7个不同的面部表情数据库组成)，提出了一种深度卷积神经网络(CNN)结构，以实现对每个数据库的比较本文档来自技高网...

【技术保护点】
1.一种基于深度学习的人脸表情识别方法,其特征在于,所述方法包括：/n获取原始人脸表情图像，将原始人脸表情图像输入生成对抗网络；/n获取生成对抗网络根据当前人脸表情图像生成的合成人脸图像；/n构建人脸表情识别网络，根据原始人脸数据及合成人脸数据，对人脸表情识别网络进行训练，生成目标识别网络；/n获取待识别的人脸图像，将待识别的人脸图像输入目标识别模型，获取目标识别模型的输出结果，根据输出结果确定人脸图像中的人脸表情。/n

【技术特征摘要】
1.一种基于深度学习的人脸表情识别方法,其特征在于,所述方法包括：
获取原始人脸表情图像，将原始人脸表情图像输入生成对抗网络；
获取生成对抗网络根据当前人脸表情图像生成的合成人脸图像；
构建人脸表情识别网络，根据原始人脸数据及合成人脸数据，对人脸表情识别网络进行训练，生成目标识别网络；
获取待识别的人脸图像，将待识别的人脸图像输入目标识别模型，获取目标识别模型的输出结果，根据输出结果确定人脸图像中的人脸表情。


2.根据权利要求1所述的基于深度学习的人脸表情识别方法，其特征在于，所述获取原始人脸表情图像，将原始人脸表情图像输入生成对抗网络前，包括：
构建初始生成对抗网络，预先对初始生成对抗网络进行训练，得到训练后的生成对抗网络。


3.根据权利要求2所述的基于深度学习的人脸表情识别方法，其特征在于，所述生成对抗网络包括一个信号发生器和两个判别器；
则构建人脸表情识别网络，根据原始人脸数据及合成人脸数据，对人脸表情识别网络进行训练，生成目标识别网络，还包括：
根据合成人脸图像从人脸表情识别网络中获得的分类损失训练生成对抗网络信号发生器。


4.根据权利要求3所述的基于深度学习的人脸表情识别方法，其特征在于，所述获取生成对抗网络根据当前人脸表情图像生成的合成人脸图像，包括：
获取对抗网络的信号发生器通过自定义图形卷积层，分离当前人脸表情图像的图像信息，经过编码和译码生成的合成人脸图像。


5.根据权利要求4所述的基于深度学习的人脸表情识别方法，其特征在于，所述经过编码和译码生成的合成人脸图像，包括：
通过卷积神经网络提取图像特征，将图像压缩成预定数量的特征向量，完成编码；
根据反卷积层，从特征向量中还原出低级图像，生成合成人脸图像，完成译码。


6.根据权利要...

【专利技术属性】
技术研发人员：李天驰，孙悦，王帅，
申请(专利权)人：深圳点猫科技有限公司，
类型：发明
国别省市：广东;44