【技术实现步骤摘要】
微表情识别方法、装置、微表情识别模型的训练方法
[0001]本申请属于人工智能领域，具体而言，涉及一种微表情识别方法、装置、微表情识别模型的训练方法、电子设备及存储介质。
技术介绍
[0002]微表情由于持续时间段，肌肉起伏低，对自动识别技术提出了巨大的挑战。传统微表情识别方法一般基于手工特征，如局部二值模式、光流直方图、梯度直方图等，以此实现微表情分析，但是这些方法过分依赖先验知识，且提取的信息大多浮于表面，缺乏表征微表情的抽象特征。
[0003]近年来，基于卷积神经网络的方法得到普及，并被应用于自动识别人脸微表情，但是这类方法需要海量数据来训练模型，而微表情数据往往数量相对较少，导致无法精准识别微表情，此外，卷积神经网络的全局建模能力较弱，无法根据全局面部肌肉运动来感知微表情变化。
技术实现思路
[0004]为解决上述技术问题，本申请的实施例提供了一种微表情识别方法、装置、微表情识别模型的训练方法、电子设备、计算机可读存储介质。
[0005]根据本申请实施例的一个方面，提供了一种微表情识别...
【技术保护点】
【技术特征摘要】
1.一种微表情识别方法，其特征在于，包括：获取待识别图像的多个图像块；基于多头自注意力机制，分别提取所述多个图像块的自注意力特征，得到所述多个图像块的特征图；基于双通道分别学习所述特征图的注意力权重，以对所述特征图进行调整，得到目标特征图；基于所述目标特征图进行所述待识别图像的微表情识别。2.根据权利要求1所述的方法，其特征在于，所述基于多头自注意力机制，分别提取所述多个图像块的自注意力特征，得到所述多个图像块的特征图，包括：将所述多个图像块划分为不同的图像块集合；针对不同的图像块集合分别提取各图像块集合的集合自注意力特征；将所述各图像块集合的集合自注意力特征进行特征拼接，得到所述多个图像块的特征图。3.根据权利要求1所述的方法，其特征在于，所述多个图像块包括含有人脸关键点的第一集合以及不含人脸关键点的第二集合；所述基于双通道分别学习所述特征图的注意力权重，以对所述特征图进行调整，得到目标特征图，包括：基于双通道分别学习所述第一集合的特征图以及所述第二集合的特征图，对应得到第一注意力权重和第二注意力权重；基于所述第一注意力权重调整所述第一集合的特征图，并基于所述第二注意力权重调整所述第二集合的特征图；将经调整的第一集合的特征图和经调整的第二集合的特征图进行拼接，得到所述目标特征图。4.根据权利要求3所述的方法，其特征在于，在所述基于双通道分别学习所述第一集合的特征图以及所述第二集合的特征图，对应得到第一注意力权重和第二注意力权重之前，所述方法还包括：定位所述待识别图像中的人脸关键点；将所述多个图像块中包含所述人脸关键点的图像块作为所述第一集合，并将所述多个图像块中不包含所述人脸关键点的图像块作为所述第二集合。5.根据权利要求4所述的方法，其特征在于，所述定位所述待识别图像中的人脸关键点，包括：获取所述待识别图像中的初始人脸关键点；在所述初始人脸关键点中去除面部轮廓相关的关键点，得到第一关键点；基于所述第一关键点，定位所述待识别图像中的脸颊...
【专利技术属性】
技术研发人员：陶江龙，胡治满，于亚洲，陶和平，闫帅，张艺严，申润业，
申请(专利权)人：中国电信股份有限公司，
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。