表情识别模型训练方法、装置、终端设备及存储介质制造方法及图纸

本申请适用于生物识别技术领域，提供了一种表情识别模型训练方法、装置、终端设备及存储介质，方法包括：获取第一表情数据，并对所述第一表情数据进行数据增广，生成第二表情数据；将所述第二表情数据输入至预设的人脸识别模型中，以提取所述第二表情数据的监督特征；根据所述第二表情数据及其监督特征，对预设的初始表情识别模型进行训练，得到所述表情识别模型。采样上述方法得到的表情识别模型可以提高人脸表情识别的准确率。

【技术实现步骤摘要】
表情识别模型训练方法、装置、终端设备及存储介质
本申请属于生物识别
，尤其涉及一种表情识别模型训练方法、装置、终端设备及存储介质。
技术介绍
目前，现有的表情识别模型通常是使用表情数据直接对人脸识别模型进行微调。然而，已有的人脸识别模型的训练数据量远远超过表情识别模型的训练数据量。因此，使用表情识别数据对已有的人脸识别模型进行训练时，因原有进行人脸识别模型的训练数据量大，经过迁移学习得到的表情识别模型还是会保留对人脸进行识别的信息。进而，将会造成得到的表情识别模型在对人脸表情进行识别时准确率较低的问题。
技术实现思路
本申请实施例提供了一种表情识别模型训练方法、装置、终端设备及存储介质，可以解决直接通过使用表情数据对人脸识别模型进行微调，得到的表情识别模型在对人脸表情进行识别时准确率较低的问题。第一方面，本申请实施例提供了一种表情识别模型训练方法，包括：获取第一表情数据，并对所述第一表情数据进行数据增广，生成第二表情数据；将所述第二表情数据输入至预设的人脸识别模型中，以提取所述第二表情数据的监督特征；<本文档来自技高网...

【技术保护点】
1.一种表情识别模型训练方法，其特征在于，包括：/n获取第一表情数据，并对所述第一表情数据进行数据增广，生成第二表情数据；/n将所述第二表情数据输入至预设的人脸识别模型中，以提取所述第二表情数据的监督特征；/n根据所述第二表情数据及其监督特征，对预设的初始表情识别模型进行训练，得到所述表情识别模型。/n

【技术特征摘要】
1.一种表情识别模型训练方法，其特征在于，包括：
获取第一表情数据，并对所述第一表情数据进行数据增广，生成第二表情数据；
将所述第二表情数据输入至预设的人脸识别模型中，以提取所述第二表情数据的监督特征；
根据所述第二表情数据及其监督特征，对预设的初始表情识别模型进行训练，得到所述表情识别模型。


2.如权利要求1所述的表情识别模型训练方法，其特征在于，所述获取第一表情数据，包括：
获取样本数据，识别所述样本数据中的人脸；
确定所述人脸的关键点特征位置，根据所述关键点特征位置，对所述人脸进行对齐处理，得到所述人脸的正脸图像；
裁剪所述正脸图像，得到所述第一表情数据。


3.如权利要求1或2所述的表情识别模型训练方法，其特征在于，所述第一表情数据包括多个表情标签，所述多个表情标签分别对应多个正脸图像；
所述获取第一表情数据，并对所述第一表情数据进行数据增广，生成第二表情数据，包括：
从所述多个表情标签中随机确定第一表情标签，以及确定所述第一表情标签对应的多个正脸图像；
从所述第一表情标签对应的所述多个正脸图像中，获取预设数量的正脸图像；
根据所述预设数量的正脸图像的像素生成第一正脸图像，并将所述第一正脸图像以及所述第一表情标签作为第二表情数据。


4.如权利要求1或2所述的表情识别模型训练方法，其特征在于，所述第一表情数据包括多个表情标签，所述多个表情标签分别对应多个正脸图像；
所述获取第一表情数据，并对所述第一表情数据进行数据增广，生成第二表情数据，包括：
从所述多个正脸图像中，随机获取至少两个正脸图像；
对所述至少两个正脸图像的像素进行随机加权处理，生成第二正脸图像；
对所述至少两个正脸图像的表情标签进行随机加权处理，生成第二表情标签；
将所述第二正脸图像以及所述第二表情标签作为第二表情数据。


5.如权利要求1所述的表情识别模型训练方法，其特征在于，所述预设的初始表情识别模型包括初始卷积层；
所述根据所述第二表情数据及其监督特征，对预设的初始表情识别模型进行训练，得到所述表情识别模型，包括：
将所述第二表情数据中的正脸图像输入至所述初始表情识别模型的初始卷积层中进行处理，得到表情识别特征；
根据所述表情识别特征和所述监督特征，通过预设的第一损失函数计算所述初始卷积层的损失值；
根据所述初始卷积层的损失值迭代更新所述初始卷积层中的初始...

【专利技术属性】
技术研发人员：易苗，
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