[发明专利]一种基于深度残差网络的表情识别方法

说明书

本发明涉及一种基于深度残差网络的表情识别方法，对深度残差网络中常规的激活函数ReLU进行替换，换成一种具有生物真实性的激活函数Noisy Softplus，使得改进后的深度残差网络可在普通计算机上对表情数据训练，然后将训练优化好的网络模型部署在类脑计算硬件上，进行表情识别任务。本发明与传统手工提取特征的方法相比，极大地提高了识别率，且不受人脸表情拍摄环境的限制，建立起来的网络模型能够适应于各类问题，具有很好的普适性。与普通深度残差网络相比，又具有较高识别率，极低功耗和极低的响应时间。随着计算机硬件的成熟，可逐渐部署到可穿戴设备，手持设备等低功耗的电子设备上。

技术领域

本发明涉及神经网络识别的技术领域，尤其涉及到一种基于深度残差网络的表情识别方法。

背景技术

面部表情是人类用来表达感情，传递内心世界的重要途径，在社会和人际交往中显得尤为重要。随着社会的发展，人脸表情识别技术在人机交互，安全，汽车等领域发挥着巨大的作用。例如在犯罪侦查系统中，可以通过表情识别技术分析嫌疑人的心理活动等。

目前的表情识别提取特征方法主要是手工提取特征和通过构建深度神经网络进行自动学习提取特征两类方法。相对于手工提取特征方法，深度神经网络可以提取到更加高级的特征，识别效果更明显。这种方法可以做到输入原始图像，经过网络的自动训练，就能输出我们想要的结果，目前已经广泛的应用于工业界，但是深度神经网络参数过多，训练时间和运行时间过长，能量消耗过大也是制约其发展的瓶颈。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于深度残差网络的表情识别方法。该方法对深度残差网络中常规的激活函数ReLU进行替换，换成一种具有生物真实性的激活函数Noisy Softplus，使得改进后的深度残差网络可在普通计算机上对表情数据训练，然后将训练优化好的网络模型部署在类脑计算硬件上，进行识别任务，以达到低功耗，低响应的效果。

为实现上述目的，本发明所提供的技术方案为：包括以下步骤：

S1、根据实际需要进行表情数据制作；

S2、根据步骤S1制作好的表情数据库进行网络搭建，把常用激活函数替换成具有生物真实性的Noisy Softplus函数；

S3、在步骤S2搭建好的网络上进行模型训练，训练出最优模型；

S4、将步骤S3训练出的最优模型部署在对应的类脑计算硬件上进行表情识别；

进一步地，步骤S1中，表情数据制作包括数据采集和数据标注；其中，数据采集时，根据实际需要直接对现实的人进行表情数据采集或者在网络上获取公开的人脸表情数据库；所述数据标注为对每一个数据进行标签使区分该数据的所属分类

进一步地，数据可任意增加光照、清晰度、姿态、遮挡的影响，增加数据的鲁棒性。

进一步地，步骤S2搭建的网络为深度残差网络，包括输入层、隐藏层以及输出层；

其中，隐藏层包括两个连续进行的操作：

先进行输入值与参数进行连接映射计算：Z^[l]＝W^[l]X+b^[l]；

l代表第l层，X代表每一个隐藏层的输入向量，W,b为网络中的连接参数；

然后进行非线性激活：A^[l]＝g(Z^[l])，g代表非线性激活；

上一层输出向量A作为下一层的输入向量X，l个隐藏层即进行l个上述操作；