一种基于多尺度特征和空间注意力的表情识别方法及系统技术方案

本发明专利技术涉及表情识别技术领域，尤其是涉及一种基于多尺度特征和空间注意力的表情识别方法及系统。方法，包括利用HNFER神经网络模型对获取的面部图像数据进行特征提取，得到原始输入特征图；基于CoordAtt注意力机制对提取的特征进行池化拼接，得到特征图；对特征图进行深度卷积处理，得到注意力图，再通过元素相乘得到最终的特征图；通过对最终的特征图进行特征变换和归一化，得到表情类别概率并输出。本发明专利技术通过集成尺度感知和空间注意力技术，模型能够更精准地识别和分类不同的情绪状态，即使在复杂的环境条件下也能保持高性能。

【技术实现步骤摘要】

本专利技术涉及表情识别，尤其是涉及一种基于多尺度特征和空间注意力的表情识别方法及系统。

技术介绍

1、面部表情识别技术（facial expression recognition， fer）主要应用于人机交互、情感分析等领域。随着计算机视觉的发展，特别是深度学习技术的应用，面部表情识别的准确性和应用范围得到了显著扩展。尽管当前技术已实现高效的情绪状态识别，但在处理复杂场景如光照变化和面部遮挡时仍存在挑战。

2、现有技术中，面部表情识别在复杂和多样化的情景下面临挑战，尤其是在处理不同光照、表情强度和面部遮挡时，传统的面部表情识别方法往往效果不佳。此外，传统方法在提取和处理细微的面部表情变化时存在局限，难以准确捕捉和识别人类多变的情绪表达。

3、其次，表情强度的差异使得微小表情难以被传统方法准确捕捉和处理，这对识别轻微且短暂的面部表情变化提出了挑战。此外，面部遮挡如佩戴眼镜、口罩或手部遮挡会使得部分面部特征丢失，进一步增加了识别难度。传统的面部表情识别方法在处理这些复杂场景时，往往依赖于静态的、全局的特征提取方式，缺乏对局部特征的动态关本文档来自技高网...

【技术保护点】

1.一种基于多尺度特征和空间注意力的表情识别方法，其特征在于，包括：

2.根据权利要求1所述的一种基于多尺度特征和空间注意力的表情识别方法，其特征在于，所述利用HNFER 神经网络模型对获取的面部图像数据进行特征提取，包括将面部图像数据进行三个阶段的特征提取，使大小为H×W×3的面部图像变为H/4×W/4×256大小，即其中H高度，W宽度。

3.根据权利要求2所述的一种基于多尺度特征和空间注意力的表情识别方法，其特征在于，所述基于CoordAtt 注意力机制对提取的特征进行池化拼接，得到特征图，包括将提取的特征通过HNFER 神经网络模型的CoordAtt 注意力...

【技术特征摘要】

1.一种基于多尺度特征和空间注意力的表情识别方法，其特征在于，包括：

2.根据权利要求1所述的一种基于多尺度特征和空间注意力的表情识别方法，其特征在于，所述利用hnfer 神经网络模型对获取的面部图像数据进行特征提取，包括将面部图像数据进行三个阶段的特征提取，使大小为h×w×3的面部图像变为h/4×w/4×256大小，即其中h高度，w宽度。

3.根据权利要求2所述的一种基于多尺度特征和空间注意力的表情识别方法，其特征在于，所述基于coordatt 注意力机制对提取的特征进行池化拼接，得到特征图，包括将提取的特征通过hnfer 神经网络模型的coordatt 注意力机制分别进行水平池化和垂直池化，并将池化后的特征进行拼接，生成注意力权重，分别作用于原始输入特征图的高度和宽度。

4.根据权利要求3所述的一种基于多尺度特征和空间注意力的表情识别方法，其特征在于，所述对特征图进行深度卷积处理，得到注意力图，包括将coordatt 处理后的特征图通过卷积层，生成512个特征图，所述特征图大小变为h/4×w/4×512，基于模型的safm机制通过不同尺度的空间权重对特征图进行处理，得到卷积处理后的特征图。

5.根据权利要求4所述的一种基于多尺度特征和空间注意力的表情识别方法，其特征在于，所述通过元素相乘得到最终的特征图，包括将卷积处理后的特征图通过上采样恢复到原始分辨...

【专利技术属性】
技术研发人员：刘兆伟，温浩男，宋永超，刘殿通，阎维青，宋鹏，姜岸佐，苏航，
申请(专利权)人：烟台大学，
类型：发明
国别省市：