基于脉冲神经网络的人脸表情识别方法、存储介质及设备技术

本发明专利技术公开了一种基于脉冲神经网络的人脸表情识别方法、存储介质及设备，该人脸表情识别方法包括：收集人脸表情RGB图像，进行表情类别标注和分类；将分类的人脸表情RGB图像进行灰度化处理，得到分类的灰度图像；构建局部递归的脉冲神经网络模型，将灰度图像依次输入到脉冲神经网络模型中进行训练，直至达到最大迭代次数，完成对脉冲神经网络模型的训练；将待识别的人脸表情RGB图像进行灰度化处理后，输入训练好的脉冲神经网络模型中，预测出人脸表情的识别结果。该人脸表情识别方法以脉冲神经网络模型为基础，利用延迟相位编码策略转换为脉冲发放时间序列作为脉冲神经网络模型的输入，极大地降低了网络计算量和延时率。极大地降低了网络计算量和延时率。极大地降低了网络计算量和延时率。

【技术实现步骤摘要】
基于脉冲神经网络的人脸表情识别方法、存储介质及设备


[0001]本专利技术涉及人脸表情识别
，具体地，涉及一种基于脉冲神经网络的人脸表情识别方法、存储介质及设备。

技术介绍

[0002]表情识别最早属于心理学研究的范畴，在计算机视觉技术出现之前，更多的是通过经验分析对表情进行定性，研究方法粗糙主观性强且准确度不高。上世纪70年代面部行为编码系统(Facial Action Coding System,FACS)的建立标志着表情识别成为了可以量化研究的学科领域。上世纪80年代，对表情的研究逐步由人工识别转换为了自动识别，表情识别逐渐成为了一个跨越图像处理、计算机视觉、机器学习、深度学习、认知科学、心理学、社会学等多学科的研究范畴。
[0003]脉冲神经网络作为新一代人工神经网络计算模型，在进行复杂时空信息处理方面较人工神经网络计算模型具有更高的有效性。构成该模型的基本单元为具有真实性的脉冲神经元模型，在信息的表示和处理方面应用了精确定时的脉冲序列。
[0004]目前在人脸表情识别领域采用较多的方法为传统的特征点识别以及利用深本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于脉冲神经网络的人脸表情识别方法，其特征在于，具体包括如下步骤：步骤1、收集人脸表情RGB图像，使用LabelMe在每一张人脸表情图像上标注表情类别，并根据标注的表情类别将人脸表情RGB图像进行分类；步骤2、将分类的人脸表情RGB图像通过加权平均法进行灰度化处理，得到分类的灰度图像，所述灰度图像的像素大小为64
×
64；步骤3、构建局部递归的脉冲神经网络模型，将分类的灰度图像依次输入到脉冲神经网络模型中进行训练，直至达到最大迭代次数，完成对脉冲神经网络模型的训练；步骤4、将待识别的人脸表情RGB图像通过加权平均法进行灰度化处理后，输入训练好的脉冲神经网络模型中，预测出人脸表情的识别结果。2.根据权利要求1所述的一种基于脉冲神经网络的人脸表情识别方法，其特征在于，步骤1中表情类别包括：伤心、开心、生气、厌恶、惊讶、害怕、无表情。3.根据权利要求1所述的一种基于脉冲神经网络的人脸表情识别方法，其特征在于，所述脉冲神经网络模型包括：包含256个神经元的输入层、包含10个神经元的隐含层、通过复制隐含层得到的上下文层和由一个神经元构成的输出层，所述输入层的输出端与隐含层的输入端连接，所述隐含层的输出端分别与上下文层的输入端、输出层的输入端连接，所述上下文层的输出端与隐含层的输入端连接。4.根据权利要求1所述的一种基于脉冲神经网络的人脸表情识别方法，其特征在于，步骤3包括如下子步骤：步骤301、随机初始化隐含层中的突触权值；步骤302、将灰度图像输入到输入层中，利用延迟相位编码策略将灰度图像转换为脉冲发放时间序列，将脉冲发放时间序列输入隐含层中，获取脉冲序列信息；每一个脉冲发放时间序列中包含16个脉冲；步骤303、将隐含层中的脉冲序列信息复制到上下文层，通过梯度下降法更新隐含层中的突触权值，根据突触权值更新隐含层中的脉冲序列信息；步骤304、将隐含层中更新的脉冲序列信息与目标脉冲序列信息进行误差计算，将误差最小的表情类别输入输出层中；步骤305、将上下文层中复制的脉冲序列信息与经步骤302处理得到的脉冲发放时间序列共同输入隐含层中，重复步骤303
‑
304，直至达到最大迭代次数，完成对脉冲神经网络模型的训练。5.根据权利要求4所述的一种基于脉冲神经网络的人脸表情识别方法，其特征在于，步骤302中...

【专利技术属性】
技术研发人员：牛犇，王柳，巫天骥，张小凤，
申请(专利权)人：金陵科技学院，
类型：发明
国别省市：