【技术实现步骤摘要】
一种基于多级深度神经网络的表情识别方法
[0001]本专利技术涉及表情识别
，尤其涉及一种基于多级深度神经网络的表情识别方法。
技术介绍
[0002]表情是我们日常交流中十分重要的一种信息。在实际的沟通交流中，表情往往扮演着增进彼此交流效果的角色。心理学家A.Mehrabia在著作An Approach to Environment Psychology中提到，在人们的日常交流中，通过语言传达的信息仅占信息总量的7％，而通过人脸表情传达的信息占到信息总量的55％。同时，随着近年来机器学习技术的发展，人脸识别技术也得到了广泛的关注。尤其是人脸的表情识别，其在安全，机器人制造，自动化，自动驾驶，人机交互等领域得到了更为广泛的关注。人类的表情至少有21种，其中七大基本表情是：高兴，惊讶，悲伤，生气，恶心，恐惧和轻蔑。它们都是由人类表情基本单元构成，即人脸各个部位的肌肉的一个或多个动作，状态组成。不过目前的表情识别的精度并不是太高，特别是对于一些部分特征重叠的表情，其识别效果并不优秀。
技术实现思路
[0003...
【技术保护点】
【技术特征摘要】
1.一种基于多级深度神经网络的表情识别方法，其特征在于，包括步骤：S1、对包含七大表情标签的训练数据集进行预处理；其中，七大表情标签分别为高兴、惊讶、悲伤、生气、恶心、恐惧和轻蔑；预处理是指，将识别复杂度更高的生气、恶心、恐惧和轻蔑这4种表情标签的图片数据的标签更改为“其他”，其余图片数据的标签则不作更改，并将所有图片数据裁剪为B
×
B大小；S2、将步骤S1预处理后所得高兴、惊讶、悲伤、其他这四种表情标签的数据送入第一表情识别网络模型中进行训练，以固定所述第一表情识别网络模型的权重数据；S3、将识别复杂度更高的生气、恶心、恐惧和轻蔑这4种表情标签的数据裁剪为B
×
B大小后送入特征提取网络模型中，得到对应的特征数据；S4、将步骤S3所得特征数据送入标准化流模型中进行处理，使数据服从高斯分布；S5、将步骤S4所得数据送入多层感知机中进行训练，保存训练后的参数；S6、对训练完成的所述第一表情识别网络模型、所述特征提取网络模型、所述标准化流模型、所述多层感知机组成的表情识别模型进行测试；S7、将测试通过的表情识别模型用于对未知表情图像的识别，识别过程包括：将未知表情图像剪裁为B
×
B后送入测试通过的所述第一表情识别网络模型中，若判断为“其他”表情之外的其他表情则直接输出识别结果，否则送入由所述特征提取网络模型、所述标准化流模型、所述多层感知机组成的第二表情识别网络模型中，输出概率最大的分类结果。2.根据权利要求1所述的一种基于多级深度神经网络的表情识别方法，其特征在于：所述第一表情识别网络模型基于ResNet18网络模型建立，包括第一卷积模块和全连接模块；所述特征提取网络模型基于ResNet
‑
18网络模型建立，包括第二卷积模块。3.根据权利要求2所述的一种基于多级深度神经网络的表情识别方法，其特征在于，所述第一卷积模块包括：第一块：由64个7
×
7的卷积核构成的卷积层，步长为2；第二块：由一个3
×
3的最大池化层和一个由两层64个3
×
3卷积核构成的卷积层组合而成；第三块：由两层128个3
×
3的卷积核构成的卷积层组成；第四块：由两层256个3
×
3的卷积核构成的卷积层组成；第五块：由两层512个3
×
3的卷积核构成的卷积层组成；所述全连接模块包括：一个平均池化层、全连接层和一个Softmax层；在所述全连接层之前加入了Dropout策略，并将50％的神经元进行随机失活。4.根据权利要求3所述的一种基于多级深度神经网络的表情识别方法，其特征在于，所述第一表情识别网络模型使用交叉熵作为它的损失函数，其公式为：在式(1)中，N表示类别的数量，y
(i)
为输出的类别是否和标记相同，相同为1，否则为0，
表示预测值。5...
【专利技术属性】
技术研发人员：利节，
申请(专利权)人：九次元重庆智能技术有限公司，
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。