[發明專利]一種表情的識別方法、裝置、設備及可讀存儲介質

在審

• 申請號: 202211692316.2
• 申請日: 2022-12-28
• 公開（公告）號: CN116189256A
• 公開（公告）日: 2023-05-30
• 發明（設計）人: 戴彬;張文君;李林;林開標
• 申請（專利權）人: 廈門理工學院
• 主分類號: G06V40/16
• 分類號: G06V40/16;G06V10/82;G06V10/764;G06N3/045;G06N3/0464;G06N3/047
• 代理公司: 廈門智慧呈睿知識產權代理事務所(普通合伙) 35222
• 代理人: 鄭擁軍

本發明提供了一種表情的識別方法、裝置、設備及可讀存儲介質，包括：獲取待識別圖像，并將所述待識別圖像發送至訓練好的雙鏈式網絡模型進行特征提取；其中，所述雙鏈式網絡模型第一通道第n層能夠對第一通道第(n?1)層和第二通道第(n?1)層的疊加特征進行提取，其中，n＞1；接收雙鏈式網絡模型第一通道最后一層輸出的表情特征，并基于softmax分類器對所述表情特征進行分類，以完成表情識別，解決了用于識別表情的模型復雜度越來越高，導致邊緣端設備不好被部署的問題。

技術領域

本發明涉及計算機領域，特備涉及一種表情的識別方法、裝置、設備及可讀存儲介質。

背景技術

現有的機器學習主要分為兩類：(1)基于傳統機器學習的方法：SVM是統計學習中一種常用的分類方法，該方法具有特有的學習能力，可以有效地處理非線性、小樣本和高維數據等問題。缺點是在大樣本地情況下，矩陣計算需要耗費大量地時間和運行內存，從而影響整體地識別效率。(2)基于深度學習的方法：CNN是一種端到端模式，通過卷積層、池化層以及全連接層、softmax等連接實現特征映射。CNN的缺點是當網絡層數過深時候采用BP傳播修改參數會使靠近輸入層的參數改動較慢

在人臉表情識別一般采用機器學習的方式來進行識別，然而目前深度學習的發展呈現網絡層次越來越深，網絡結構越來越復雜的趨勢，為了追求更高的準確率，網絡中會加入更多的參數導致模型的復雜度越來越高，所需計算力的提高導致，以使得邊緣端設備難以被部署，且還會產生因降溫設備導致的資源浪費。

有鑒于此，提出本申請。

發明內容

本發明公開了一種表情的識別方法、裝置、設備及可讀存儲介質,旨在解決用于識別表情的模型復雜度越來越高，導致邊緣端設備不好被部署的問題。

本發明第一實施例提供了一種表情的識別方法，包括：

獲取待識別圖像，并將所述待識別圖像發送至訓練好的雙鏈式網絡模型進行特征提取；其中，所述雙鏈式網絡模型第一通道第n層能夠對第一通道第(n-1)層和第二通道第(n-1)層的疊加特征進行提取，其中，n＞1；

接收雙鏈式網絡模型第一通道最后一層輸出的表情特征，并基于softmax分類器對所述表情特征進行分類，以完成表情識別。

優選地，所述獲取待識別圖像，并將所述待識別圖像發送至訓練好的雙鏈式網絡模型進行特征提取之前還包括：

將數據集按照預設比例劃分為訓練集和測試集，其中，所述訓練集和所述測試集中的每個表情標注隨機排列且比例相同；

通過構建好的雙鏈式網絡對所述訓練集和測試集進行加載，并獲取所述訓練集和測試集的準確率隨epochs的變化；

調整雙鏈式網絡每一層的參數，直至識別準確率到達預設值。

優選地，所述數據集為增廣過的CK+數據集。

優選地，所述雙鏈式網絡模型的兩側基于不同的卷積，以獲得通道數相同的特征值，通過特征疊加，生成從第一層到最后一層所獲得的不同粒度表情特征。

本發明第二實施例提供了一種表情的識別裝置，包括：

圖像獲取單元，用于獲取待識別圖像，并將所述待識別圖像發送至訓練好的雙鏈式網絡模型進行特征提取；其中，所述雙鏈式網絡模型第一通道第n層能夠對第一通道第(n-1)層和第二通道第(n-1)層的疊加特征進行提取，其中，n＞1；

表情識別單元，用于接收雙鏈式網絡模型第一通道最后一層輸出的表情特征，并基于softmax分類器對所述表情特征進行分類，以完成表情識別。

優選地，所述獲取待識別圖像，并將所述待識別圖像發送至訓練好的雙鏈式網絡模型進行特征提取之前還包括：