[發(fā)明專利]一種表情的識別方法、裝置、設(shè)備及可讀存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 202211692316.2
• 申請日: 2022-12-28
• 公開（公告）號: CN116189256A
• 公開（公告）日: 2023-05-30
• 發(fā)明（設(shè)計）人: 戴彬;張文君;李林;林開標(biāo)
• 申請（專利權(quán)）人: 廈門理工學(xué)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(chǎn)權(quán)代理事務(wù)所(普通合伙) 35222
• 代理人: 鄭擁軍

本發(fā)明提供了一種表情的識別方法、裝置、設(shè)備及可讀存儲介質(zhì)，包括：獲取待識別圖像，并將所述待識別圖像發(fā)送至訓(xùn)練好的雙鏈?zhǔn)骄W(wǎng)絡(luò)模型進(jìn)行特征提取；其中，所述雙鏈?zhǔn)骄W(wǎng)絡(luò)模型第一通道第n層能夠?qū)Φ谝煌ǖ赖?n?1)層和第二通道第(n?1)層的疊加特征進(jìn)行提取，其中，n＞1；接收雙鏈?zhǔn)骄W(wǎng)絡(luò)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(jìn)行分類，以完成表情識別，解決了用于識別表情的模型復(fù)雜度越來越高，導(dǎo)致邊緣端設(shè)備不好被部署的問題。

技術(shù)領(lǐng)域

本發(fā)明涉及計算機(jī)領(lǐng)域，特備涉及一種表情的識別方法、裝置、設(shè)備及可讀存儲介質(zhì)。

背景技術(shù)

現(xiàn)有的機(jī)器學(xué)習(xí)主要分為兩類：(1)基于傳統(tǒng)機(jī)器學(xué)習(xí)的方法：SVM是統(tǒng)計學(xué)習(xí)中一種常用的分類方法，該方法具有特有的學(xué)習(xí)能力，可以有效地處理非線性、小樣本和高維數(shù)據(jù)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(nèi)存，從而影響整體地識別效率。(2)基于深度學(xué)習(xí)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(xiàn)特征映射。CNN的缺點是當(dāng)網(wǎng)絡(luò)層數(shù)過深時候采用BP傳播修改參數(shù)會使靠近輸入層的參數(shù)改動較慢

在人臉表情識別一般采用機(jī)器學(xué)習(xí)的方式來進(jìn)行識別，然而目前深度學(xué)習(xí)的發(fā)展呈現(xiàn)網(wǎng)絡(luò)層次越來越深，網(wǎng)絡(luò)結(jié)構(gòu)越來越復(fù)雜的趨勢，為了追求更高的準(zhǔn)確率，網(wǎng)絡(luò)中會加入更多的參數(shù)導(dǎo)致模型的復(fù)雜度越來越高，所需計算力的提高導(dǎo)致，以使得邊緣端設(shè)備難以被部署，且還會產(chǎn)生因降溫設(shè)備導(dǎo)致的資源浪費。

有鑒于此，提出本申請。

發(fā)明內(nèi)容

本發(fā)明公開了一種表情的識別方法、裝置、設(shè)備及可讀存儲介質(zhì),旨在解決用于識別表情的模型復(fù)雜度越來越高，導(dǎo)致邊緣端設(shè)備不好被部署的問題。

本發(fā)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(fā)送至訓(xùn)練好的雙鏈?zhǔn)骄W(wǎng)絡(luò)模型進(jìn)行特征提?。黄渲校鲭p鏈?zhǔn)骄W(wǎng)絡(luò)模型第一通道第n層能夠?qū)Φ谝煌ǖ赖?n-1)層和第二通道第(n-1)層的疊加特征進(jìn)行提取，其中，n＞1；

接收雙鏈?zhǔn)骄W(wǎng)絡(luò)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(jìn)行分類，以完成表情識別。

優(yōu)選地，所述獲取待識別圖像，并將所述待識別圖像發(fā)送至訓(xùn)練好的雙鏈?zhǔn)骄W(wǎng)絡(luò)模型進(jìn)行特征提取之前還包括：

將數(shù)據(jù)集按照預(yù)設(shè)比例劃分為訓(xùn)練集和測試集，其中，所述訓(xùn)練集和所述測試集中的每個表情標(biāo)注隨機(jī)排列且比例相同；

通過構(gòu)建好的雙鏈?zhǔn)骄W(wǎng)絡(luò)對所述訓(xùn)練集和測試集進(jìn)行加載，并獲取所述訓(xùn)練集和測試集的準(zhǔn)確率隨epochs的變化；

調(diào)整雙鏈?zhǔn)骄W(wǎng)絡(luò)每一層的參數(shù)，直至識別準(zhǔn)確率到達(dá)預(yù)設(shè)值。

優(yōu)選地，所述數(shù)據(jù)集為增廣過的CK+數(shù)據(jù)集。

優(yōu)選地，所述雙鏈?zhǔn)骄W(wǎng)絡(luò)模型的兩側(cè)基于不同的卷積，以獲得通道數(shù)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(fā)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(fā)送至訓(xùn)練好的雙鏈?zhǔn)骄W(wǎng)絡(luò)模型進(jìn)行特征提?。黄渲?，所述雙鏈?zhǔn)骄W(wǎng)絡(luò)模型第一通道第n層能夠?qū)Φ谝煌ǖ赖?n-1)層和第二通道第(n-1)層的疊加特征進(jìn)行提取，其中，n＞1；

表情識別單元，用于接收雙鏈?zhǔn)骄W(wǎng)絡(luò)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(jìn)行分類，以完成表情識別。

優(yōu)選地，所述獲取待識別圖像，并將所述待識別圖像發(fā)送至訓(xùn)練好的雙鏈?zhǔn)骄W(wǎng)絡(luò)模型進(jìn)行特征提取之前還包括：