一种预激活残差深度可分离卷积网络面部表情识别方法、装置和载体制造方法及图纸

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：