【技术实现步骤摘要】
一种基于并行神经网络的人脸表情识别方法
本专利技术涉及一种人脸表情识别方法,属于图像识别领域。
技术介绍
人脸表情识别是计算机视觉领域的研究热点,在通信工程,医疗卫生,安全驾驶,社会情感分析等多个领域都显示出了广泛的应用前景。当前的人脸表情识别算法主要是基于传统方法和基于深度学习方法。传统的人脸特征提取算法主要有主成分分析(PrincipalComponentAnalysis,PCA)、尺度不变特征变换(Scale-InvariantFeatureTransformation,SIFT)、局部二值模式(LocalBinaryPatterns,LBP)、Gabor小波变换以及方向梯度直方图(HistogramOfGradient,HOG)等,分类算法主要有支持向量机(SupportVectorMachine,SVM)、K近邻等,随着人工智能技术越来越成熟,深度学习方法在图像识别领域大放异彩,深度神经网络(Deepneuralnetwork,DNN)被应用于表情识别并取得了较好的成绩。然而目前的表情识别方法易受到图片噪声和人为干扰因素的影响造成识别正确率欠佳,而且单通道的神经网络从图像全局出发,容易忽略图像局部特征,造成特征损失的问题,稳定性较差。
技术实现思路
本专利技术要解决的技术问题是人脸表情识别过程中单一通道卷积神经网络特征损失的问题,提出了一种基于并行神经网络的人脸表情识别方法。为了达到上述目的,本专利技术采用的技术方案是:S1、对待识别的图像进行人脸检测,获取人脸区 ...
【技术保护点】
1.一种基于并行神经网络的人脸表情识别方法,其特征在于,包括以下几个步骤:/nS1、对待识别的图像进行人脸检测,获取人脸区域;/nS2、对获取的人脸图像做直方图均衡化处理;/nS3、提取人脸图像的CS-LBP局部纹理特征;/nS4、利用并行神经网络分别对步骤S2和步骤S3获取的图进行特征提取,加入网络注意力机制聚焦有用特征,剔除无效特征;/nS5、将步骤S4获取的特征送入两层全连接层进行降维;/nS6、将步骤S5中降维后的特征利用加权融合的方式融合成新的特征;/nS7、将步骤S6中的新特征送入全连接层利用Softmax激活函数对其进行分类,输出表情。/n
【技术特征摘要】
1.一种基于并行神经网络的人脸表情识别方法,其特征在于,包括以下几个步骤:
S1、对待识别的图像进行人脸检测,获取人脸区域;
S2、对获取的人脸图像做直方图均衡化处理;
S3、提取人脸图像的CS-LBP局部纹理特征;
S4、利用并行神经网络分别对步骤S2和步骤S3获取的图进行特征提取,加入网络注意力机制聚焦有用特征,剔除无效特征;
S5、将步骤S4获取的特征送入两层全连接层进行降维;
S6、将步骤S5中降维后的特征利用加权融合的方式融合成新的特征;
S7、将步骤S6中的新特征送入全连接层利用Softmax激活函数对其进行分类,输出表情。
2.根据权利要求1所述的基于并行神经网络的人脸表情识别方法,其特征在于,所述步骤S1包括:
S11、将图像进行“金字塔”变换,以解决目标多尺度问题。
S12、将步骤S11中获取的“图片金字塔”输入到卷积神经网络P-net中,得到大量的候选区域。
S13、将步骤S12中经过P-net筛选出来的照片送入较复杂的卷积神经网络R-net中进行精调,对P-net产生的多张人脸区域进行细化选择,并且舍去大部分的错误输入,提高人脸区域的可信度。
S14、将步骤S13中的候选区域输入到神经网路O-net中继续筛选,输出准确的bbox坐标和landmark坐标,获取准确的人脸区域。
3.根据权利要求2所述的基于并行神经网络的人脸表情识别方法,其特征在于,在所述步骤S2中,统计直方图每个灰度级出现的次数,累计归一化的直方图,利用映射关系计算新的像素值,对在图像中像素个数多的灰度值进行展宽,而对像素个数少的灰度值进行归并,获取更清晰的图像。
4.根据权利要求3所述的基于并行神经网络的人脸表情识别方法,其特征在于,在所述步骤S3中,计算原始图像的CS-LBP特征,计算过程为:
式中:g(pi,pi+(N/2))计算公式是通过使用像素值做差值,对差值取绝对值后判断与阈值t的大小关系进行计算如下所示:
5.根据权利要求4所述的基于并行神经网络的人脸表情识别方法,其特征在于,在所述步骤S4包括:
S41、将步骤S2中直方图均衡化后的人脸图像X=(x1,x2,...,xn)送入基于网络注意力机制的卷积神经网络CNN1中,经过若干层卷积运算和最大池化运算之后,获取相应的全局特征fH=(fH1,fH2,...,fHm),其中卷积运算过程如下所示:
<...
【专利技术属性】
技术研发人员:李靖宇,苗壮,耿佳浩,
申请(专利权)人:哈尔滨理工大学,
类型:发明
国别省市:黑龙江;23
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。