基于多教师网络的人脸表情识别方法技术

本发明专利技术公开了一种基于多教师网络的人脸表情识别方法

【技术实现步骤摘要】
基于多教师网络的人脸表情识别方法、装置、设备及介质


[0001]本专利技术涉及机器学习
，尤其涉及一种基于多教师网络的人脸表情识别方法
、
装置
、
设备及介质
。

技术介绍

[0002]当今得利于人工智能技术的发展，出现了很多智能设备，用于帮助企业或机构服务客户，例如：银行智能柜机
、
酒店智能柜台机器人等，能够使得企业或机构不仅可以减少用人成本且能够降低业务处理失误事故的发生
。
但现有智能设备的研发方向，更多注重于如何提高业务处理方面的性能，而忽视了这些智能设备用于服务的本质，不能通过观察客户的表情来及时做出正确的反映
。
[0003]而现有的人脸表情识别模型并不能很好的应用于这些智能设备上，现有的人脸表情识别模型结构复杂，在进行识别时需要占用大量的运算资源，这会导致智能设备无法完成其他的业务功能，且由于运算时间长，并不能做到实时识别客户的表情
。

技术实现思路

[0004]本专利技术提供了一种基于多教师网络的人脸表情识别方法
、
装置
、
设备及介质，能有效解决现有技术中，由于人脸表情识别模型过于庞大不能应用于大量智能设备上的问题，且由于运算时间长，不能实时根据获取的人脸图像进行人脸识别的问题
。
[0005]本专利技术一实施例提供了一种基于多教师网络的人脸表情识别方法，包括：
[0006]获取待识别人脸图像；
[0007]将所述待识别人脸图像输入人脸表情识别模型中，以使所述人脸表情识别模型识别出所述待识别人脸图像所对应的表情；
[0008]其中，所述人脸表情识别模型的构建包括：
[0009]获取若干表情各异的人脸图像，并为每一张人脸图像附上表情标签，组成若干人脸图像学习样本，其中，所述若干人脸图像学习样本根据表情标签分为若干类别；
[0010]构建若干网络结构不同的教师网络，并将所述若干教师网络组成一个集成网络；
[0011]以所述人脸图像为输入，表情标签为输出，对各所述教师网络以及所述集成网络进行训练；
[0012]在所述各教师网络以及所述集成网络训练完成时，计算各网络在每一个人脸图像学习样本下的相对逻辑得分以及相对置信度；
[0013]其中，所述相对逻辑得分用于表征各网络正确预测一个学习样本的正确表情标签的能力；相对置信度用于表征各网络对各学习样本预测的表情标签的相对准确率；
[0014]构建一个初始的学生模型，并通过所述若干人脸图像学习样本以及采用各网络在对应学习样本下的相对逻辑得分以及相对置信度加权的损失函数，对所述学生模型进行训练，并将训练完成后的学生模型作为所述人脸表情识别模型
。
[0015]进一步的，在对所述各教师网络以及所述集成网络进行训练时，采用预设的多样
化知识集成组件，对所述各教师网络以及所述集成网络进行训练；
[0016]其中，所述多样化知识集成组件的损失函数，包括：
[0017]Λ
＝
L
D
+L
A
[0018]L
D
＝
α1Δ
‑
α2δ
[0019][0020]L
D
是用于使各网络输出特征多样性最大化的损失函数，
Δ
是任意两个网络输出的人脸图像特征在方向上的差异，
δ
是用于表征所述各类别学习样本中全部教师网络的大小多样性，
α1和
α2是用于平衡一个学习样本中两种损失的权重；
[0021]L
A
是用于使各网络输出特征准确性最大化的损失函数，
L
C
(
Θ
)
是指集成网络的分类损失；
L
C
(
θ
i
)
是指第
i
个教师网络的分类损失；
M
表示教师网络的数量
。
[0022]进一步的，所述计算各网络在每一个人脸图像学习样本下的相对逻辑得分，包括：
[0023]通过一预设的运算组件，根据各教师网络以及集成网络在各学习样本上的逻辑值，通过以下公式计算各网络在各学习样本上的相对逻辑得分；
[0024][0025]其中，
l
i,j
是
j
个样本上第
i
个教师网络的相对逻辑得分，
z
i,j,k'
是第
i
个网络在第
j
个样本上输出的关于正确的表情标签
k'
的逻辑得分，是所有网络根据所有学习样本输出的各个表情标签类别的最大逻辑得分；逻辑得分表示一个网络在一个学习样本上的预测的每个表情标签类别的得分
。
[0026]进一步的，所述计算各网络在每一个人脸图像学习样本下的相对置信度，包括：
[0027]通过所述运算组件，计算各网络在各样本上的置信度，并通过以下公式，计算各网络在各样本上的相对置信度
[0028][0029]其中，
r
j,i
是第
i
个网络在第
j
个样本上的相对置信度值，
c
i,j
是第
i
个网络在第
j
个样本上的置信度值
,
τ
是比例因子，用于调整教师网络的相对置信度的权重；
M
表示教师网络的数量，
M+1
表示教师网络以及集成网络是数量
。
[0030]进一步的，所述通过所述若干人脸图像学习样本以及采用各网络在对应学习样本下的相对逻辑得分以及相对置信度加权的损失函数，对所述初始学生模型进行训练，包括：
[0031]通过以下公式，计算所述学生模型在各学习样本下的损失函数
[0032]L
s
(
θ
i
；
θ
s
；
x
j
)
＝
(1
‑
β
×
l
i,j
)L
C
(
θ
s
)+
β
×
l
i,j
×
L
K
(
θ
i
；
θ
s
)
，
[0033][0034]其中，
L
s
(
θ
i
；
θ
s
；
x
j
)
表示由第
i
个教师网络指导的学生模型学习第
j
个样本的输出的人脸图像特征，
θ
t
表示教师本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于多教师网络的人脸表情识别方法，其特征在于，包括：获取待识别人脸图像；将所述待识别人脸图像输入人脸表情识别模型中，以使所述人脸表情识别模型识别出所述待识别人脸图像所对应的表情；其中，所述人脸表情识别模型的构建包括：获取若干表情各异的人脸图像，并为每一张人脸图像附上表情标签，组成若干人脸图像学习样本，其中，所述若干人脸图像学习样本根据表情标签分为若干类别；构建若干网络结构不同的教师网络，并将所述若干教师网络组成一个集成网络；以所述人脸图像为输入，表情标签为输出，对所述各教师网络以及所述集成网络进行训练；在所述各教师网络以及所述集成网络训练完成时，计算各网络在每一个人脸图像学习样本下的相对逻辑得分以及相对置信度；其中，所述相对逻辑得分用于表征各网络正确预测一个学习样本的正确表情标签的能力；相对置信度用于表征各网络对各学习样本预测的表情标签的相对准确率；构建一个初始的学生模型，并通过所述若干人脸图像学习样本以及采用各网络在对应学习样本下的相对逻辑得分以及相对置信度加权的损失函数，对所述初始学生模型进行训练，并将训练完成后的学生模型作为所述人脸表情识别模型
。2.
如权利要求1所述的一种基于多教师网络的人脸表情识别方法，其特征在于，在对所述各教师网络以及所述集成网络进行训练时，采用预设的多样化知识集成组件，对所述各教师网络以及所述集成网络进行训练；其中，所述多样化知识集成组件的损失函数，包括：
Λ
＝
L
D
+L
A
L
D
＝
α1Δ
‑
α2δ
L
D
是用于使各网络输出特征多样性最大化的损失函数，
Δ
是任意两个网络输出的人脸图像特征在方向上的差异，
δ
是用于表征所述各类别学习样本中全部教师网络的大小多样性，
α1和
α2是用于平衡一个学习样本中两种损失的权重；
L
A
是用于使各网络输出特征准确性最大化的损失函数，
L
C
(
Θ
)
是指集成网络的分类损失；
L
C
(
θ
i
)
是指第
i
个教师网络的分类损失；
M
表示教师网络的数量
。3.
如权利要求2所述的一种基于多教师网络的人脸表情识别方法，其特征在于，所述计算各网络在每一个人脸图像学习样本下的相对逻辑得分，包括：通过一预设的运算组件，根据各教师网络以及集成网络在各学习样本上的逻辑值，通过以下公式计算各网络在各学习样本上的相对逻辑得分；其中，
l
i,j
是
j
个样本上第
i
个教师网络的相对逻辑得分，
z
i,j,k'
是第
i
个网络在第
j
个样本上输出的关于正确的表情标签
k'
的逻辑得分，是所有网络根据所有学习样本输出的各个表情标签类别的最大逻辑得分；逻辑得分表示一个网络在一个学习样本上的预测的每个
表情标签类别的得分
。4.
如权利要求3所述的一种基于多教师网络的人脸表情识别方法，其特征在于，所述计算各网络在每一个人脸图像学习样本下的相对置信度，包括：通过所述运算组件，计算各网络在各样本上的置信度，并通过以下公式，计算各网络在各样本上的相对置信度其中，
r
j,i
是第
i
个网络在第
j
个样本上的相对置信度值，
c
i,j
是第
i
个网络在第
j
个样本上的置信度值
,
τ
是比例因子，用于调整教师网络的相对置信度的权重；
M
表示教师网络的数量，
M+1
表示教师网络以及集成网络是数量
。5.
如权利要求4所述...

【专利技术属性】
技术研发人员：杨顺志，任晋，杨雄，师一华，杨金锋，
申请(专利权)人：深圳职业技术大学，
类型：发明
国别省市：