【技术实现步骤摘要】
一种人脸表情分类方法
[0001]本申请涉及深度学习
,特别是涉及一种人脸表情分类方法。
技术介绍
[0002]由于深度学习算法可以自动地从原始图像数据中学习到具有判别性的特征,并实现高准确率的分类,卷积神经网络在人脸表情识别任务中非常具有优势。相比于传统的基于手工设计的特征和传统的分类算法,卷积神经网络避免了手工设计特征算法的不确定性,同时具有更高的分类准确率和自动化程度。
[0003]目前,VGG模型(Visual Geometry Group Network)在图像分类中可以通过增加网络深度来提升性能。VGG模型的核心思想是使用多个连续的3x3卷积层和池化层的组合来构建深层网络。VGG模型的基础架构是由卷积层、池化层和全连接层组成。它通过重复堆叠几个卷积层和池化层的模块来增加网络深度,其中使用了不同数量的卷积层和池化层。
[0004]VGG模型的特点是具有相对简单且均匀的结构,参数量较大。它使用小尺寸的卷积核和池化核,具有较小的感受野,使得网络能够更细致地捕捉图像的细节。此外,VGG模型中的全连接 ...
【技术保护点】
【技术特征摘要】
1.一种人脸表情分类方法,其特征在于,所述方法包括:将待分类的人脸图像输入训练好的人脸表情分类模型进行分类,输出人脸表情分类结果,所述人脸表情分类模型包括ResNet模型、轻量化的VGG模型和融合模块;所述人脸表情分类模型的训练方式为:获取样本图像集,将样本图像集中训练样本图像的进行随机翻转、缩放和模糊处理,获得训练样本图像集;将所述训练样本图像集输入基于ResNet模型、轻量化的VGG模型和融合模块构建的人脸表情分类模型进行训练,在训练过程中,选择深度学习中的交叉熵损失函数计算人脸表情分类模型的损失,并采用随机梯度下降算法对人脸表情分类模型参数的梯度更新,在loss函数趋于收敛时停止训练,最终得到训练好的人脸表情分类模型。2.根据权利要求1所述的方法,其特征在于,所述将待分类的人脸图像输入训练好的人脸表情分类模型进行分类,输出人脸表情分类结果,包括:将待分类的人脸图像输入训练好的人脸表情分类模型的ResNet模型进行特征提取,获得第一特征向量;将待分类的人脸图像输入训练好的人脸表情分类模型的轻量化的VGG模型进行特征提取,获得第二特征向量;将所述第一特征向量和所述第二特征向量输入训练好的人脸表情分类模型的融合模块进行分类,输出人脸表情分类结果。3.根据权利要求2所述的方法,其特征在于,所述将所述第一特征向量和所述第二特征向量输入训练好的人脸表情分类模型的融合模块进行分类,输出人脸表情分类结果,包括:将所述第一特征向量和所述第二特征向量输入所述融合模块的拼接单元进行拼接,获得拼接后的特征向量;将所述拼接后的特征向量输入所述融合模块的ReLU激活函数进行非线性变换,获得变换后的特征向量;对所述变换后的特征向量输入所述融合模块的正则化单元处理,获得处理后的特征向量;将所述处理后的特征向量输入所述融合模块的第一全连接层进行分类,获得人脸表情分类结果。4.根据权利要求2所述的方法,其特征在于,所述将待分类的人脸图像输入训练好的人脸表情分类模型的ResNet模型进行特征提取,获得第一特征向量的步骤,包括:将待分类的人脸图像输入所述ResNet模型的第一卷积层进行特征提取,获得第一特征图;将所述第一特征图输入所述ResNet模型的全局平均池化层进行压缩,获得第二特征图;将所述第二特征图输入所述ResNet模型的残差模块补充特征图信息,获得第三特征图,所述残差模块由多个残差块堆叠而成;将所述第三特征图输入所述ResNet模型的第二全连接层进行特征提取,获得第一特征向量。5....
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。