[發(fā)明專利]表情識別模型訓(xùn)練方法、電子設(shè)備、存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 202210439565.4
• 申請日: 2022-04-25
• 公開（公告）號: CN114724226A
• 公開（公告）日: 2022-07-08
• 發(fā)明（設(shè)計）人: 劉釗
• 申請（專利權(quán)）人: 中國平安人壽保險股份有限公司
• 主分類號: G06V40/16
• 分類號: G06V40/16;G06V10/764;G06K9/62;G06V10/82;G06V10/774;G06N3/04;G06N3/08
• 代理公司: 廣州嘉權(quán)專利商標事務(wù)所有限公司 44205
• 代理人: 黃廣龍

1.一種表情識別模型訓(xùn)練方法，其特征在于，包括：

根據(jù)初始識別模型，獲取基礎(chǔ)特征提取網(wǎng)絡(luò)與模型初始數(shù)據(jù)，所述基礎(chǔ)特征提取網(wǎng)絡(luò)用于在所述初始識別模型中提取面部特征；

根據(jù)所述模型初始數(shù)據(jù)，獲取第一訓(xùn)練圖集和第二訓(xùn)練圖集，所述第一訓(xùn)練圖集為所述初始識別模型表情識別錯誤的訓(xùn)練圖集，所述第二訓(xùn)練圖集為所述初始識別模型表情識別正確的訓(xùn)練圖集；

基于所述基礎(chǔ)特征提取網(wǎng)絡(luò)獲取所述第一訓(xùn)練圖集中的表情特征權(quán)重與所述第二訓(xùn)練圖集中的表情特征權(quán)重，所述表情特征權(quán)重為表情識別的過程中各類面部動作單元的識別判定權(quán)重；

將所述第一訓(xùn)練圖集中所述表情特征權(quán)重高于第一預(yù)設(shè)閾值的所述面部動作單元進行篩選，得到第一類動作單元；

將所述第二訓(xùn)練圖集中所述表情特征權(quán)重低于第二預(yù)設(shè)閾值的所述面部動作單元進行篩選，得到第二類動作單元；

以所述第一類動作單元作為正樣本數(shù)據(jù)、以所述第二類動作單元作為負樣本數(shù)據(jù)，將所述正樣本數(shù)據(jù)與所述負樣本數(shù)據(jù)混合形成輸入樣本集；

以所述輸入樣本集對所述初始識別模型進行優(yōu)化訓(xùn)練，得到優(yōu)化識別模型。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述基于所述基礎(chǔ)特征提取網(wǎng)絡(luò)獲取所述第一訓(xùn)練圖集中的表情特征權(quán)重與所述第二訓(xùn)練圖集中的表情特征權(quán)重，包括：

對所述第一訓(xùn)練圖集中的面部區(qū)域、所述第二訓(xùn)練圖集中的面部區(qū)域分別進行特征提取；

基于所述基礎(chǔ)特征提取網(wǎng)絡(luò)獲取所述第一訓(xùn)練圖集中用于描述面部區(qū)域的第一特征提取向量，以及所述第二訓(xùn)練圖集中用于描述面部區(qū)域的第二特征提取向量；

根據(jù)所述第一特征提取向量求得所述第一訓(xùn)練圖集的所述表情特征權(quán)重；

根據(jù)所述第二特征提取向量求得所述第二訓(xùn)練圖集的所述表情特征權(quán)重。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述以所述第一類動作單元作為正樣本數(shù)據(jù)、以所述第二類動作單元作為負樣本數(shù)據(jù)，將所述正樣本數(shù)據(jù)與所述負樣本數(shù)據(jù)混合形成輸入樣本集，包括；

將所述正樣本數(shù)據(jù)、所述負樣本數(shù)據(jù)進行混合，得到混合數(shù)據(jù)；

調(diào)整所述正樣本數(shù)據(jù)和所述負樣本數(shù)據(jù)在所述混合數(shù)據(jù)中的占比；

當(dāng)所述正樣本數(shù)據(jù)在所述混合數(shù)據(jù)中的占比小于所述負樣本數(shù)據(jù)在所述混合數(shù)據(jù)中的占比，將調(diào)整后的所述混合數(shù)據(jù)作為所述輸入樣本集。

4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述以所述輸入樣本集對所述初始識別模型進行優(yōu)化訓(xùn)練，得到優(yōu)化識別模型，包括：

將所述輸入樣本集載入所述初始識別模型的所述基礎(chǔ)特征提取網(wǎng)絡(luò)；

基于所述基礎(chǔ)特征提取網(wǎng)絡(luò)將所述輸入樣本集向量化，生成輸入特征提取向量；

將所述輸入特征提取向量導(dǎo)入所述初始識別模型的分類層。

5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述以所述輸入樣本集對所述初始識別模型進行優(yōu)化訓(xùn)練，得到優(yōu)化識別模型，還包括：

獲取所述分類層的識別分類分數(shù)，并根據(jù)所述識別分類分數(shù)獲取本輪分類預(yù)測的表情識別準確率；

所述獲取所述本輪分類預(yù)測的所述表情識別準確率后，調(diào)整所述第一類動作單元的所述表情特征權(quán)重，以及調(diào)整所述第二類動作單元的所述表情特征權(quán)重；

所述調(diào)整所述第一類動作單元的所述表情特征權(quán)重，以及所述第二類動作單元的所述表情特征權(quán)重之后，基于所述輸入樣本集對所述初始識別模型進行迭代訓(xùn)練；

每一輪所述迭代訓(xùn)練后，統(tǒng)計所述表情識別準確率的變化情況；

當(dāng)所述表情識別準確率收斂于第一定值，停止所述迭代訓(xùn)練并得到所述優(yōu)化識別模型。

6.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述獲取所述本輪分類預(yù)測的所述表情識別準確率后，調(diào)整所述第一類動作單元的所述表情特征權(quán)重，以及調(diào)整所述第二類動作單元的所述表情特征權(quán)重，包括：

當(dāng)所述表情識別準確率逐漸升高，降低所述初始識別模型對所述第一類動作單元的所述表情特征權(quán)重；

根據(jù)所述第一類動作單元在所述初始識別模型中所述表情特征權(quán)重的降低趨勢，提升所述初始識別模型中所述第二類動作單元的所述表情特征權(quán)重。