[發明專利]表情識別模型訓練方法、電子設備、存儲介質

在審

• 申請號: 202210439565.4
• 申請日: 2022-04-25
• 公開（公告）號: CN114724226A
• 公開（公告）日: 2022-07-08
• 發明（設計）人: 劉釗
• 申請（專利權）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: 廣州嘉權專利商標事務所有限公司 44205
• 代理人: 黃廣龍

本發明涉及面部識別技術領域，尤其是涉及一種表情識別模型訓練方法、電子設備、存儲介質。本發明的表情識別模型訓練方法中，先獲取基礎特征提取網絡與模型初始數據，然后獲取第一訓練圖集和第二訓練圖集。進一步，獲取第一訓練圖集中的表情特征權重與第二訓練圖集中的表情特征權重，再進行篩選得到第一類動作單元以及第二類動作單元。進而，以第一類動作單元作為正樣本數據、以第二類動作單元作為負樣本數據，混合形成輸入樣本集。最終，以輸入樣本集對初始識別模型進行優化訓練，得到優化識別模型。其中優化識別模型能夠合理調整第一類動作單元與第二類動作單元的表情特征權重，從而提升表情識別過程中的準確性。

技術領域

本發明涉及面部識別技術領域，尤其是涉及一種表情識別模型訓練方法、電子設備、存儲介質。

背景技術

近年來，隨著人臉數據在工業界的大規模采集，基于基礎人臉的各種應用場景層出不窮。在這些應用中，人臉表情識別成為重要的一環，廣泛應用于社交機器人、視頻直播、駕駛員疲勞監測等人機交互系統中。

目前學術界和工業界已存在一些人臉表情識別的相關研究，其中，基于動作單元(Action Units，AUs)的表情識別模型訓練方法致力于學習不同表情，以根據不同面部位置的變化組合表征從細粒度表征層面優化人臉表情識別模型。然而，由于人臉表情的豐富性以及各種表情的類間差異細微，相關技術中表情識別模型訓練方法的表情識別準確率依然處于較低水平。因此，如何進一步提升人臉表情識別模型的表情識別準確率，仍然是業內亟待解決的問題。

發明內容

本發明旨在至少解決現有技術中存在的技術問題之一。為此，本發明提出一種表情識別模型訓練方法、電子設備、存儲介質，能夠提升對人臉表情識別的表情識別準確率。

根據本發明的第一方面實施例的表情識別模型訓練方法，包括：

根據初始識別模型，獲取基礎特征提取網絡與模型初始數據，所述基礎特征提取網絡用于在所述初始識別模型中提取面部特征；

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

基于所述基礎特征提取網絡獲取所述第一訓練圖集中的表情特征權重與所述第二訓練圖集中的表情特征權重，所述表情特征權重為表情識別的過程中各類面部動作單元的識別判定權重；

將所述第一訓練圖集中所述表情特征權重高于第一預設閾值的所述面部動作單元進行篩選，得到第一類動作單元；

將所述第二訓練圖集中所述表情特征權重低于第二預設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據、以所述第二類動作單元作為負樣本數據，將所述正樣本數據與所述負樣本數據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化訓練，得到優化識別模型。

可選的，根據本發明的一些實施例，所述基于所述基礎特征提取網絡獲取所述第一訓練圖集中的表情特征權重與所述第二訓練圖集中的表情特征權重，包括：

對所述第一訓練圖集中的面部區域、所述第二訓練圖集中的面部區域分別進行特征提取；

基于所述基礎特征提取網絡獲取所述第一訓練圖集中用于描述面部區域的第一特征提取向量，以及所述第二訓練圖集中用于描述面部區域的第二特征提取向量；

根據所述第一特征提取向量求得所述第一訓練圖集的所述表情特征權重；

根據所述第二特征提取向量求得所述第二訓練圖集的所述表情特征權重。