【技术实现步骤摘要】
本专利技术涉及数据处理，尤其涉及一种模型训练方法、微表情识别方法及模型训练装置。
技术介绍
1、表情是人类情感交流最普遍的方式，与人类的内心活动密切相关。除日常生活中常见的宏表情外，在某些特定环境下，情绪会以一种特殊的表情表示，这种表情就是微表情，其具有运动幅度小，持续时间短的特点，通常是在人类试图隐藏或抑制内心真实想法时自发露出的表情，不受人自主控制，可以作为检测人是否说谎的关键证据，具有广泛地应用前景。在社会治安方面，通过微表情判断潜伏在人群中的危险分子，在其对社会造成重大危害之前，将其绳之以法，起到防恐防暴的作用；在心理治疗方面，通过微表情判断患者是否隐藏内心的消极情绪，帮助医疗人员做出对应的治疗措施，防止悲剧发生。但人工识别微表情的时间成本较高，需要耗费大量的时间训练专业人员以提升识别经验，不适合大规模推广。
技术实现思路
1、本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本专利技术提出一种模型训练方法、微表情识别方法及模型训练装置，能够高效进行模型训练。
2、一方面，本专利技术实施例提供了一种模型训练方法，包括：
3、获取微表情数据集；微表情数据集包括微表情图像序列和对应的微表情的类别标签；
4、基于预设规格对微表情数据集中的各个微表情图像序列进行剪切处理，获取剪切处理后各个微表情图像序列的起始帧和顶点帧；
5、获取起始帧和顶点帧之间的运动信息，将运动信息与顶点帧的灰度图结合得到光流图像；
6
7、将训练集输入微表情识别网络得到识别结果；训练集根据光流图像确定；
8、根据识别结果与类别标签得到识别损失值，根据识别损失值对微表情识别网络的参数进行调整，得到训练完成的微表情识别网络；
9、其中，特征提取模块设有空间注意力模块，特征增强模块设有通道注意力模块；特征提取模块用于对光流图像进行特征提取，得到第一特征图；特征增强模块用于对第一特征图进行特征增强，得到第二特征图；全连接层用于对第二特征图进行特征向量降维；归一化指数层用于根据特征向量降维后的特征进行识别分类，得到识别结果。
10、可选地，获取起始帧和顶点帧之间的运动信息，将运动信息与顶点帧的灰度图结合得到光流图像，包括：
11、通过光流法提取起始帧和顶点帧之间的运动信息，得到水平光流分量和垂直光流分量；
12、将顶点帧对应的图像转化为灰度图；
13、将水平光流分量、垂直光流分量和灰度图进行通道拼接，得到光流图像。
14、可选地，对光流图像进行特征提取，得到第一特征图，包括：
15、对光流图像进行第一卷积处理，得到第一特征；
16、对第一特征进行基于空间注意力的残差处理，得到第一特征图。
17、可选地，对第一特征进行基于空间注意力的残差处理，得到第一特征图，包括：
18、根据第一特征，基于通道维度的平均池化和最大池化，结合7×7的卷积处理和激活函数得到空间注意力权重；
19、其中，空间注意力权重的表达式为：
20、ms(f)＝σ(f7×7([avgpool(f)，maxpool(f)]))
21、式中，f表示第一特征；ms(f)表示空间注意力权重；avgpool()表示通道维度的平均池化；maxpool()表示通道维度的最大池化；f7×7表示7×7的卷积处理；σ表示激活函数；
22、对空间注意力权重与第一特征进行元素乘，得到第一特征图。
23、可选地，对第一特征图进行特征增强，得到第二特征图，包括：
24、对光流图像进行第二卷积处理，得到深度增强特征；
25、根据深度增强特征进行通道注意力处理，得到通道注意力权重；
26、对通道注意力权重与深度增强特征进行元素乘，得到第二特征图。
27、可选地，根据深度增强特征进行通道注意力处理，得到通道注意力权重，包括：
28、根据深度增强特征，基于空间维度的平均池化和最大池化，结合多层感知处理和激活函数得到通道注意力权重；
29、其中，通道注意力权重的表达式为：
30、mc(f)＝σ(mlp(avqpool(f))+mlp(maxpool(f)))
31、式中，f表示深度增强特征；mc(f)表示通道注意力权重；avgpool()表示空间维度的平均池化；maxpool()表示空间维度的最大池化；mlp表示多层感知处理；σ表示激活函数；
32、另一方面，本专利技术实施例提供了一种微表情识别方法，包括：
33、获取待识别的微表情图像序列；
34、基于预设规格对微表情图像序列进行剪切处理，获取剪切处理后微表情图像序列的起始帧和顶点帧；
35、获取起始帧和顶点帧之间的运动信息，将运动信息与顶点帧的灰度图结合得到光流图像；
36、将光流图像输入微表情识别网络进行微表情识别得到待识别的微表情图像序列中微表情的类别结果；其中，微表情识别网络通过前面的模型训练方法训练得到。
37、另一方面，本专利技术实施例提供了一种模型训练装置，包括：
38、第一模块，用于获取微表情数据集；微表情数据集包括微表情图像序列和对应的微表情的类别标签；
39、第二模块，用于基于预设规格对微表情数据集中的各个微表情图像序列进行剪切处理，获取剪切处理后各个微表情图像序列的起始帧和顶点帧；
40、第三模块，用于获取起始帧和顶点帧之间的运动信息，将运动信息与顶点帧的灰度图结合得到光流图像；
41、第四模块，用于配置微表情识别网络；其中，微表情识别网络包括依次连接的特征提取模块、特征增强模块、全连接层和归一化指数层；
42、第五模块，用于将训练集输入微表情识别网络得到识别结果；训练集根据光流图像确定；
43、第六模块，用于根据识别结果与类别标签得到识别损失值，根据识别损失值对微表情识别网络的参数进行调整，得到训练完成的微表情识别网络；
44、其中，特征提取模块设有空间注意力模块，特征增强模块设有通道注意力模块；特征提取模块用于对光流图像进行特征提取，得到第一特征图；特征增强模块用于对第一特征图进行特征增强，得到第二特征图；全连接层用于对第二特征图进行特征向量降维；归一化指数层用于根据特征向量降维后的特征进行识别分类，得到识别结果。
45、另一方面，本专利技术实施例提供了一种微表情识别装置，包括：
46、第七模块，用于获取待识别的微表情图像序列；
47、第八模块，用于基于预设规格对微表情图像序列进行剪切处理，获取剪切处理后微表情图像序列的起始帧和顶点帧；
48、第九模块，用于获取起始帧和顶点帧之间的运动信息，将运本文档来自技高网...
【技术保护点】
1.一种模型训练方法，其特征在于，包括：
2.根据权利要求1所述的模型训练方法，其特征在于，所述获取所述起始帧和所述顶点帧之间的运动信息，将所述运动信息与所述顶点帧的灰度图结合得到光流图像，包括：
3.根据权利要求1所述的模型训练方法，其特征在于，所述对所述光流图像进行特征提取，得到第一特征图，包括：
4.根据权利要求3所述的模型训练方法，其特征在于，所述对所述第一特征进行基于空间注意力的残差处理，得到第一特征图，包括：
5.根据权利要求1所述的模型训练方法，其特征在于，所述对所述第一特征图进行特征增强，得到第二特征图，包括：
6.根据权利要求5所述的模型训练方法，其特征在于，所述根据所述深度增强特征进行通道注意力处理，得到通道注意力权重，包括：
7.一种微表情识别方法，其特征在于，包括：
8.一种模型训练装置，其特征在于，包括：
9.一种电子设备，其特征在于，包括处理器以及存储器；
10.一种计算机存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序
...【技术特征摘要】
1.一种模型训练方法，其特征在于，包括：
2.根据权利要求1所述的模型训练方法，其特征在于，所述获取所述起始帧和所述顶点帧之间的运动信息，将所述运动信息与所述顶点帧的灰度图结合得到光流图像，包括：
3.根据权利要求1所述的模型训练方法，其特征在于，所述对所述光流图像进行特征提取，得到第一特征图，包括：
4.根据权利要求3所述的模型训练方法，其特征在于，所述对所述第一特征进行基于空间注意力的残差处理，得到第一特征图，包括：
5.根据权利要求1所述的模型训练方法，其特征在于，所述对所述第...
【专利技术属性】
技术研发人员：孙洛新，
申请(专利权)人：中国电信股份有限公司，
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。