本发明专利技术公开了一种预激活残差深度可分离卷积网络面部表情识别方法、装置和载体，属于人工智能领域，其包含人脸面部表情图像进行预处理，浅层特征提取，得到基本的视觉特征，主要是眼睛，眉毛和嘴唇的形状，下采样进行深层特征提取，上采样特征融合部分等过程，应用softmax激活函数以产生预测。本发明专利技术在人脸面部表情识别中能够更精准的提取人脸特征，使用的参数数量更少并具有很高的分类识别准确率。的参数数量更少并具有很高的分类识别准确率。的参数数量更少并具有很高的分类识别准确率。
【技术实现步骤摘要】
一种预激活残差深度可分离卷积网络面部表情识别方法、装置和载体
[0001]本专利技术涉及人工智能领域，具体而言，涉及带有一种预激活残差深度可分离卷积网络面部表情识别方法、装置和载体。
技术介绍
[0002]人脸表情是最直接、最有效的情感识别模式。随着人工智能的发展，人机交互领域的研究热点也逐渐增多，情感识别在以人为本的设计中引起了人们的关注，事实上，一些研究已经表明了机器解释人类情感的重要性。人脸表情识别在舆情分析、辅助医疗、疲劳驾驶监督、网络课堂教学质量分析等领域都发挥着非常重要的作用。面部表情作为一种非语言交流形式，比语言交流能更快地被理解，由于面部表情的多样性和复杂性，且涉及心理学和生理学等多个学科，相对于人脸识别技术，表情识别发展较慢，且类别之间不完全相互独立，给表情识别带来了很多挑战。
[0003]人脸表情识别过程包括三个阶段:1.利用人脸检测器检测出包含人脸图像中的人脸区域。2.从检测到的人脸区域中提取人脸特征。3.面部特征分析:分析面部有限元运动，解读面部表情。特征提取与特征分析是面部表情识别的关键环节。传统特征提取时，所采用的是人为设定的特征，容易损失部分原有特征信息，而且由于特征维数较大增加了一定的运算量和复杂度。而卷积神经网络不需要人为的设定特征，而是通过训练网络结构去自动学习特征，从而给出识别的结果，与早期手动提取特征的方法相比，卷积神经网络是通过构建、组合多个卷积层来自动提取深层次的人脸表情特征，尽可能的避免人为提取特征的误差，且同时具有极强的鲁棒性，逐渐成为了主流方法。
[0004]由于人脸表情样本的采集较为繁琐、建立大型的专有人脸表情数据库较为困难，故目前库的数量有限、库中样本数量也相对较少。深度学习方法解决人脸表情识别问题时，虽然有区别于传统人工设计特征的不便的优点，而且能够利用网络本身强大的学习能力自动提取深层次的人脸表情特征，从而进一步提高识别精确度。但由于表情识别问题的复杂性，网络结构越来越复杂，参数不断增加，计算复杂度越来越大，当样本数量不够时容易出现过拟合现象。
技术实现思路
[0005]本专利技术为解决上述小数据集的面部表情分类问题，而提供了一种预激活残差深度可分离卷积网络面部表情识别方法、装置和载体，采用深度可分离卷积在增加并平衡网络深度和宽度的同时不增加额外的计算负担，更精准提取人脸表情特征，并在残差块中采用预激活的方式实现对模型的优化并减少过拟合的影响。
[0006]提供的技术方案为：
[0007]提供了一种预激活残差深度可分离卷积网络面部表情识别方法：
[0008]识别面部并采集面部照片得到数据样本图像；
[0009]数据样本图像输入至浅层特征提取部分进行多次普通卷积运算以提取浅层特征，得到多幅浅层样本数据特征图；
[0010]每幅浅层样本数据特征图作为输入通道输入至下采样层特征提取部分分别执行深层特征提取得到深层样本数据特征图；
[0011]深层样本数据特征图输入至下采样层特征提取部分全局平均池化后应用Softmax激活函数产生预测，并输出访问者面部面部表情预测结果；
[0012]其中，下采样层特征提取部分包括预激活残差深度可分离单元，预激活残差深度可分离单元得到浅层样本数据特征图后进行深度可分离卷积运算后输出深层样本数据特征图；
[0013]深度可分离卷积运算的执行过程包括逐次进行的深度卷积运算和逐点卷积运算；
[0014]深度卷积运算包括逐次进行的批归一化运算、掺入Relu函数运算、通道卷积运算；
[0015]逐点卷积运算包括逐次进行的批归一化运算、掺入Relu函数运算和1
×
1卷积运算。
[0016]优选的，所述的下采样层特征提取部分包括预激活残差深度可分离单元，预激活残差深度可分离单元得到浅层样本数据特征图后进行深度可分离卷积运算后输出深层样本数据特征图步骤，同时或之后还包括，
[0017]预激活残差深度可分离单元还包括残差模块，得到的浅层样本数据特征图输入至残差模块，残差模块将浅层样本数据特征图进行普通卷积运算和批归一化处理并输出残差特征图与深度可分离卷积的结果求和后输出深层样本数据特征图。
[0018]优选的，所述的下采样层特征提取部分包含四层顺次执行的预激活残差深度可分离单元，且上层预激活残差深度可分离单元输出的深层样本数据特征图为下层预激活残差深度可分离单元的输入。
[0019]优选的，所述的深度可分离卷积执行过程步骤，包括，
[0020]预设深度卷积运算的卷积核倍数，每次深度可分离卷积结束后得到深度卷积的卷积核倍数的深层特征样本，逐点卷积过程中将各个深层特征样本同一位置的信息进行融合得到该层的深层样本数据特征图。
[0021]优选的，所述的下采样层特征提取部分包含四层顺次执行的预激活残差深度可分离单元步骤，包括，
[0022]所述的深度可分离卷积运算还包括最大池化层，最大池化层将逐点卷积的输出结果最大池化运算后输入至下层预激活残差深度可分离单元。
[0023]优选的，所述的数据样本图像输入至浅层特征提取部分进行多次普通卷积运算以提取浅层特征，得到多幅浅层样本数据特征图步骤，包括，
[0024]浅层特征提取部分包含三层顺次执行的卷积网络，得到数据样本图像后卷积网络进行批归一化运算和掺入Relu函数运算并将结果输出至下层的卷积网络直至得到多幅浅层样本数据特征图。
[0025]优选的，所述的识别访问者面部并采集面部照片得到数据样本图像步骤，包括
[0026]识别访问者面部直至完成人脸检测并截取当前时刻的人像图，得到人像后裁剪图像保留面部区域，并复制该面部区域的多角度翻转图像和尺寸变化图像并将所有图像作为数据样本图像输出。
[0027]优选的，所述的数据样本图像为样本数据集。
[0028]一种预激活残差深度可分离卷积网络面部表情识别装置，包括上述的一种预激活残差深度可分离卷积网络面部表情识别方法，包括
[0029]取相单元，用于拍照取得面部图像或
[0030]输入单元，用于输入获得面部图像；
[0031]存储单元，用于保存上述获得的面部图像；
[0032]运行单元，用于执行一种预激活残差深度可分离卷积网络面部表情识别方法预测所获得的面部图像的表情。
[0033]一种预激活残差深度可分离卷积网络面部表情识别载体，包括如上所述的一种预激活残差深度可分离卷积网络面部表情识别方法，包括
[0034]存储单元，用于存储所述的一种预激活残差深度可分离卷积网络面部表情识别方法的执行程序。
[0035]与现有技术相比具有的有益效果在于：
[0036]1.预激活残差深度可分离单元由深度可分离卷积的残差连接构成，实现一层的输出作为输入传递给体系结构的另一层，使网络的参数更容易学习。
[0037]2.在残差连接中采用了预激活残差方式进行连接，通过调整激活函数的位置，将激活函数放在最终的输出之前，在获取输入后先对输入值本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种预激活残差深度可分离卷积网络面部表情识别方法,其特征在于：识别面部并采集面部照片得到数据样本图像；数据样本图像输入至浅层特征提取部分进行多次普通卷积运算以提取浅层特征，得到多幅浅层样本数据特征图；每幅浅层样本数据特征图作为输入通道输入至下采样层特征提取部分分别执行深层特征提取得到深层样本数据特征图；深层样本数据特征图输入至下采样层特征提取部分全局平均池化后应用Softmax激活函数产生预测，并输出访问者面部面部表情预测结果；其中，下采样层特征提取部分包括预激活残差深度可分离单元，预激活残差深度可分离单元得到浅层样本数据特征图后进行深度可分离卷积运算后输出深层样本数据特征图；深度可分离卷积运算的执行过程包括逐次进行的深度卷积运算和逐点卷积运算；深度卷积运算包括逐次进行的批归一化运算、掺入Relu函数运算、通道卷积运算；逐点卷积运算包括逐次进行的批归一化运算、掺入Relu函数运算和1
×
1卷积运算。2.根据权利要求1所述的一种预激活残差深度可分离卷积网络面部表情识别方法,其特征在于：所述的下采样层特征提取部分包括预激活残差深度可分离单元，预激活残差深度可分离单元得到浅层样本数据特征图后进行深度可分离卷积运算后输出深层样本数据特征图步骤，同时或之后还包括，预激活残差深度可分离单元还包括残差模块，得到的浅层样本数据特征图输入至残差模块，残差模块将浅层样本数据特征图进行普通卷积运算和批归一化处理并输出残差特征图与深度可分离卷积的结果求和后输出深层样本数据特征图。3.根据权利要求2所述的一种预激活残差深度可分离卷积网络面部表情识别方法,其特征在于，所述的下采样层特征提取部分包含四层顺次执行的预激活残差深度可分离单元，且上层预激活残差深度可分离单元输出的深层样本数据特征图为下层预激活残差深度可分离单元的输入。4.根据权利要求2所述的一种预激活残差深度可分离卷积网络面部表情识别方法,其特征在于，所述的深度可分离卷积执行过程步骤，包括，预设深度卷积运算的卷积核倍数，每次深度可分离卷积结束后得到深度卷积的卷积核倍数的深层特征样本，逐点卷积过程中将各个深层特征样...
【专利技术属性】
技术研发人员：刘云清，李棋，刘聪，颜飞，张琼，彭月琪，
申请(专利权)人：长春理工大学，
类型：发明
国别省市：
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。