【技术实现步骤摘要】
本专利技术涉及医学电子设备，具体涉及一种基于生成对抗分离与交换表情的面部情绪识别方法和系统。
技术介绍
1、面部表情识别(fer)任务的核心在于对人脸表情进行分类，将复杂的面部表情映射到基本情绪类别，如快乐、悲伤、愤怒、恐惧、厌恶和惊讶等。随着人机交互的日益深入，面部表情识别在社交机器人、医疗诊断、驾驶安全等领域展现出广阔的应用前景。面部表情识别技术涵盖了关键技术和方法，如特征提取、数据集和标注以及分类算法。传统的面部表情识别(fer)方法主要基于手工特征或浅层学习，导致其识别精度通常受限且自适应能力较弱。这些方法在受控实验室环境中的数据集上表现出一定的性能，但实际情况下，面部图像往往来自真实环境、以不同角度拍摄，并且表现出自发性。现实环境中存在的因素如遮挡、背景照明以及头部姿势变化等，均会对面部表情识别的性能产生影响。
2、深度学习的兴起为面部表情识别(fer)带来了革命性的变化。卷积神经网络(cnn)凭借其强大的局部特征提取能力，成为面部表情识别领域的主流方法。近年来，视觉变换器(vit)通过自注意力机制，在全局特征建模...
【技术保护点】
1.一种基于生成对抗分离与交换表情的面部情绪识别方法，其特征在于，所采用的面部表情识别模型的训练过程包括：
2.根据权利要求1所述的基于生成对抗分离与交换表情的面部情绪识别方法，其特征在于，所述输入两张非配对的人脸表情图像，通过视觉变换器中的图像编码器提取两张人脸表情图像对应的人脸特征向量，具体包括：
3.根据权利要求1所述的基于生成对抗分离与交换表情的面部情绪识别方法，其特征在于，所述通过对人脸特征向量进行特征解耦，分离出情感相关特征和情感无关特征，具体包括：
4.根据权利要求3所述的基于生成对抗分离与交换表情的面部情绪识别方法，...
【技术特征摘要】
1.一种基于生成对抗分离与交换表情的面部情绪识别方法，其特征在于，所采用的面部表情识别模型的训练过程包括：
2.根据权利要求1所述的基于生成对抗分离与交换表情的面部情绪识别方法，其特征在于，所述输入两张非配对的人脸表情图像，通过视觉变换器中的图像编码器提取两张人脸表情图像对应的人脸特征向量，具体包括：
3.根据权利要求1所述的基于生成对抗分离与交换表情的面部情绪识别方法，其特征在于，所述通过对人脸特征向量进行特征解耦，分离出情感相关特征和情感无关特征，具体包括：
4.根据权利要求3所述的基于生成对抗分离与交换表情的面部情绪识别方法，其特征在于，所述将两张人脸表情图像对应的人脸特征向量输入到双层特征解耦器，进行表情分离；在双层特征解耦器中，在权重学习模块的基础上添加密集块，通过解耦块解耦情感相关特征，再利用残差连接得到情感无关特征，具体包括：
5.根据权利要求1所述的基于生成对抗分离与交换表情的面部情绪识别方法，其特征在于，所述进...
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。