一种基于深度学习卷积神经网络的维度表情识别方法技术

本发明专利技术涉及计算机视觉领域，公开了一种基于深度学习卷积神经网络的维度表情识别方法，本发明专利技术利用人脸检测模型进行人脸关键点检测，结合热力图预测的关键特征点进行表情识别，并在其中引入注意力机制，用来驱动对面部表情估计相关区域的关注；采用离散表情分类和连续表情回归的联合预测，以使网络对数据集中的异常值更具鲁棒性；最后使用一个专门定制的损失函数，来进行表情识别相关的度量的优化。来进行表情识别相关的度量的优化。来进行表情识别相关的度量的优化。

【技术实现步骤摘要】
一种基于深度学习卷积神经网络的维度表情识别方法


[0001]本专利技术涉及计算机视觉领域，具体涉及一种基于深度学习卷积神经网络的维度表情识别方法。

技术介绍

[0002]由于机器学习、深度学习的飞速发展以及高计算量设备的大量普及，人脸识别技术经历了空前的发展，基于深度学习的面部识别技术也被持续关注。面部情感分析旨在通过让计算机更好地理解一个人的情绪状态，从而提供特别的帮助和互动，但由于离散的情绪类别（如愤怒、快乐、悲伤等）不能代表人类日常所表现的全部情绪，心理学家还通常依赖于维度测量，即效价（情绪表现的积极程度）和唤醒（情绪表现看起来的平静或兴奋程度）。事实上虽然从人脸上估计这些值对于人类来说是很自然的，但对于基于计算机的系统来说，尤其是在自然条件下效价和唤醒的自动估计，是非常困难的。目前还未出现比较好的解决方案。

技术实现思路

[0003]为解决上述技术问题，本专利技术提供一种基于深度学习卷积神经网络的维度表情识别方法。
[0004]为解决上述技术问题，本专利技术采用如下技术方案：一种基于深度学习卷积神经网络的维度表情本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习卷积神经网络的维度表情识别方法，包括以下步骤：步骤一、获取人物表情数据，利用RetinaFace：Mobilenet0.25网络获取人物表情数据中的人脸，并通过调整人脸关键点对人脸进行对齐；步骤二、将人脸对齐后的人物表情数据输入特征提取模型，得到关键特征点；所述特征提取模型包括多个级联的四阶HourGlass网络；每个四阶HourGlass网络输出一个热力图预测结果并作为下一个四阶HourGlass网络的输入；所述热力图预测结果包括为每个人脸关键点设置半径为r的缓冲区，沿着每一个缓冲区的径向、由内向外地、由浅至深地使用渐变灰度带对缓冲区进行填充；多个四阶HourGlass网络输出的热力图预测结果叠加，在有缓冲区交叉的区域，灰度值变大，以叠加后的灰度值为索引，选取得到所述的关键特征点；步骤三、利用表情识别模型，对提取的关键特征点进行处理，预测得到离散表情的分类以及连续表情的回归，连续表情包括情绪效价和情绪唤醒度；表情识别模型进行训练时，损失函数为：；是为离散表情分类所构建的损失函数：；是利用均方根误差为连续表情回归构建的损失函数：；是利用皮尔森相关系数为连续表情回归构建的损失函数：；是利用协和相关系数为连续表情回归构建的损失...

【专利技术属性】
技术研发人员：张祎霖，孙晓，
申请(专利权)人：合肥综合性国家科学中心人工智能研究院安徽省人工智能实验室，
类型：发明
国别省市：