具有噪音鲁棒性的表情识别方法和系统技术方案

本发明专利技术提供一种具有噪音鲁棒性的表情识别方法、系统、存储介质和电子设备，涉及表情识别技术领域。本发明专利技术中，构建表情识别模型，所述表情识别模型包括深度神经网络、co

【技术实现步骤摘要】
具有噪音鲁棒性的表情识别方法和系统


[0001]本专利技术涉及表情识别
，具体涉及一种具有噪音鲁棒性的表情识别方法、系统、存储介质和电子设备。

技术介绍

[0002]表情识别是指从给定的静态图像或动态视频序列中分离出特定的表情状态，从而确定被识别对象的心理情绪。
[0003]目前，有研究提出采用不确定学习策略，通过构建的不确定度估计模块计算每一个人脸表情图片的不确定度，不确定度大的样本倾向于被认为是噪音样本，不确定度小的样本倾向于被认为是干净样本，进而抑制不确定度样本对网络的影响。
[0004]但是，人脸表情的噪音存在于相似类别之间与不相似类别之间，即模棱两可的表情和标签错误的表情。此前的方法无法区分两类噪音，从而会使模型拟合噪音，制约了模型的泛化能力和识别准确率。

技术实现思路

[0005](一)解决的技术问题
[0006]针对现有技术的不足，本专利技术提供了一种具有噪音鲁棒性的表情识别方法、系统、存储介质和电子设备，解决了无法区别模棱两可的表情和标签错误的表情的技术问题。r/>[0007](本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种具有噪音鲁棒性的表情识别方法，其特征在于，构建表情识别模型，所述表情识别模型包括深度神经网络、co
‑
division子模型和tri
‑
regularization子模型；该方法包括：S1、获取包含若干人脸表情图片及其原始标签的训练集；S2、将每一张人脸表情图片分别输入两个所述深度神经网络，获取第一、第二预测类别；S3、将所述原始标签、第一和第二预测类别同时输入co
‑
division子模型，划分训练集为干净数据集、模棱两可数据集和错误标签数据集三部分；S4、将所述干净数据集、模棱两可数据集和错误标签数据集输入tri
‑
regularization子模型，针对这三个数据集分别采用不同训练策略优化参数，直至所述表情识别模型收敛；S5、将待识别的人脸表情图片输入收敛后的模型，获取具有噪音鲁棒性的表情识别结果。2.如权利要求1所述的表情识别方法，其特征在于，所述深度神经网络采用ResNet18网络。3.如权利要求1或者2所述的表情识别方法，其特征在于，所述S3中：干净数据集划分依据是指：Pred1＝y and Pred2＝y模棱两可数据集划分依据是指：(Pred1＝y and Pred2≠y)or(Pred1≠y and Pred2＝y)错误标签数据集划分依据是指：Pred1≠y and Pred2≠y其中，Pred1、Pred2分别表示同一张人脸表情图片的第一、第二预测类别，y表示该人脸表情图片的原始标签。4.如权利要求3所述的表情识别方法，其特征在于，所述S4中针对所述干净数据集，采用监督损失函数进行参数优化，公式如下：L
sup
＝L
CE
(Prob1,y)+L
CE
(Prob2,y)其中，L
sup
指监督损失函数；Prob1、Prob2分别表示两个深度神经网络对每一张人脸图片的类别预测概率；L
CE
表示交叉熵损失函数。5.如权利要求4所述的表情识别方法，其特征在于，针对所述模棱两可数据集，采用相互性损失函数进行参数优化，公式如下：L
mut
＝(1
‑
λ)*L
sup
+λ*L
mic
其中，L
mut
为相互性损失函数；λ是超参数，用于平衡两项损失函数的权重；λ
max
指λ的最大值，e指当前的ep...

【专利技术属性】
技术研发人员：孙晓，张梓洋，江月琪，汪萌，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：