【技术实现步骤摘要】
本专利技术涉及计算机视觉与人工智能，特别涉及一种基于多模块协同优化的面部表情识别方法。
技术介绍
1、面部表情识别（facial expression recognition, fer）技术在社会各领域得到广泛应用，尤其在医疗、安防、商业、教育及制造业中展现出重要价值；在面部表情识别任务中,首先进行人脸图像预处理，方法包括去除噪声、平滑边缘、增强对比度等操作，数据增强技术如旋转、缩放、平移和翻转能够增加数据集的多样性,提高模型的泛化能力，像素归一化、图像分辨率降低和图像裁剪等操作可以减少计算量和内存消耗,加速模型的训练和推理，裁剪和过滤操作可以提高模型的效率和准确性,去除与任务无关的信息并提取关键区域，颜色空间转换和直方图均衡化可以增强图像特征和对比度,帮助模型学习和理解图像信息；其次进行图像特征提取，从图像中获取有意义信息的过程,在面部表情识别中起关键作用，成功提取代表分类信息的有效特征对于准确的表情识别至关重要，特征提取方法可分为基于纹理、统计、运动、几何和深度学习等5种类型；面部表情识别的最后阶段是分类，分类器用于对表情进行分类,...
【技术保护点】
1.一种基于多模块协同优化的面部表情识别方法，其特征在于，包括：
2.根据权利要求1所述的基于多模块协同优化的面部表情识别方法，其特征在于，所述混合特征网络模块包括：所述预处理后的图像依次经过第一卷积层、深度卷积层、第二卷积层、通道注意力机制模块、第三卷积层、第四卷积层、第五卷积层、第六卷积层、第七卷积层和第八卷积层，得到第一特征图。
3.根据权利要求2所述的基于多模块协同优化的面部表情识别方法，其特征在于，对第二卷积层输出的图像进行空间上的特征提取和转换，得到第通道的初始特征图，计算表达式如下：
4.根据权利要求3所述的基于多模块...
【技术特征摘要】
1.一种基于多模块协同优化的面部表情识别方法，其特征在于，包括：
2.根据权利要求1所述的基于多模块协同优化的面部表情识别方法，其特征在于，所述混合特征网络模块包括：所述预处理后的图像依次经过第一卷积层、深度卷积层、第二卷积层、通道注意力机制模块、第三卷积层、第四卷积层、第五卷积层、第六卷积层、第七卷积层和第八卷积层，得到第一特征图。
3.根据权利要求2所述的基于多模块协同优化的面部表情识别方法，其特征在于，对第二卷积层输出的图像进行空间上的特征提取和转换，得到第通道的初始特征图，计算表达式如下：
4.根据权利要求3所述的基于多模块协同优化的面部表情识别方法，其特征在于，所述通道注意力机制模块还包括：压缩操作、激励操作和加权操作。
5.根据权利要求4所述的基于多模块协同优化的面部表情识别方法，其特征在于，所述第通道的初始特征图通过压缩操作，得到局部统计向量，计算表达式如下：
6.根据权利要求5所述的基于多模块协同优化的面部表情识别方法，其特征在于，根据所有局部统计向量组合得...
【专利技术属性】
技术研发人员：胡翔磊，张贝宁，袁君，王磊军，黎嘉文，陈荣军，赵慧民，任金昌，
申请(专利权)人：广东技术师范大学，
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。