【技术实现步骤摘要】
本专利技术属于图像处理，尤其涉及一种面部表情识别方法及系统。
技术介绍
1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
2、目前，基于卷积神经网络的面部表情识别的研究仍然存在着一些难点：首先，现有面部表情图像数据集大都规模较小，且额外样本数据难以搜集；其次，由于面部图像中冗余信息的干扰，不同类表情识别时易发生混淆；最后，现有模型对于硬件和算力要求较高，存在难以实际应用等问题。
技术实现思路
1、为了解决上述
技术介绍
中存在的技术问题，本专利技术提供一种面部表情识别方法及系统，教师网络在训练的过程中，在训练的过程中，通过交叉熵损失函数指导类间欧式距离变大；同时，减小样本特征与其对应类中心的欧式距离，最小化类内部的变化；两者共同参与训练，增加了易混淆面部表情的可分性，提高教师网络和学生网络进行面部表情识别的准确率。
2、为了实现上述目的，本专利技术采用如下技术方案：
3、本专利技术的第一个方面提供一种面部表情识别方法，其包括：
4、获取待识别面部图像；
5、通过训练好的学生网络，识别得到所述待识别面部图像所属的面部表情类；
6、其中，学生网络在教师网络的基础上，通过知识蒸馏训练得到；所述教师网络在训练的过程中，以最小化交叉熵损失和每个样本到其所属的面部表情类的类中心的距离为目标。
7、进一步地，所述教师网络的训练采用的损失函数为：
8、l＝lcls+λlaf<...
【技术保护点】
1.一种面部表情识别方法，其特征在于，包括：
2.如权利要求1所述的一种面部表情识别方法，其特征在于，所述教师网络的训练采用的损失函数为：
3.如权利要求1所述的一种面部表情识别方法，其特征在于，所述教师网络和学生网络的网络结构不同。
4.如权利要求1所述的一种面部表情识别方法，其特征在于，所述教师网络将面部图像输入预训练好的特征提取器，得到特征图，并通过通道注意力和空间注意力，得到加权后特征图，将特征图和加权后特征图进行相加，得到输出特征，并将输出特征输入全连接层，得到面部图像所属的面部表情类。
5.如权利要求4所述的一种面部表情识别方法，其特征在于，所述特征提取器通过对比学习进行预训练，且所述对比学习采用随机裁剪、水平翻转、改变颜色属性、灰度化和高斯噪音操作中的至少两种操作进行数据增强。
6.如权利要求4所述的一种面部表情识别方法，其特征在于，所述特征提取器的预训练采用的损失函数为：
7.如权利要求1所述的一种面部表情识别方法，其特征在于，所述学生网络采用相对熵损失和交叉熵损失的加权和作为损失函数。>
8.一种面部表情识别系统，其特征在于，包括：
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的一种面部表情识别方法中的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的一种面部表情识别方法中的步骤。
...【技术特征摘要】
1.一种面部表情识别方法，其特征在于，包括：
2.如权利要求1所述的一种面部表情识别方法，其特征在于，所述教师网络的训练采用的损失函数为：
3.如权利要求1所述的一种面部表情识别方法，其特征在于，所述教师网络和学生网络的网络结构不同。
4.如权利要求1所述的一种面部表情识别方法，其特征在于，所述教师网络将面部图像输入预训练好的特征提取器，得到特征图，并通过通道注意力和空间注意力，得到加权后特征图，将特征图和加权后特征图进行相加，得到输出特征，并将输出特征输入全连接层，得到面部图像所属的面部表情类。
5.如权利要求4所述的一种面部表情识别方法，其特征在于，所述特征提取器通过对比学习进行预训练，且所述对比学习采用随机裁剪、水平翻转、改变颜色属性、灰度化...
【专利技术属性】
技术研发人员：宋勇，魏鑫光，刘萍萍，夏一帆，许庆阳，袁宪锋，庞豹，李贻斌，
申请(专利权)人：山东大学，
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。