[发明专利]面向人脸表情识别的迁移卷积神经网络方法

说明书

本发明公开了面向人脸表情识别的迁移卷积神经网络方法，包括以下过程：S1，获取人脸表情图像数据集，将其划分成训练集、验证集与测试集；S2，将迁移网络和卷积神经网络级联构建迁移卷积神经网络模型；迁移卷积网络模型的输入为人脸表情图像数据，输出为人脸表情类别；S3，利用训练集对迁移卷积神经网络模型进行训练，并利用验证集来优化训练好的迁移卷积神经网络模型；S4，通过优化后的迁移卷积神经网络模型，对测试集进行人脸表情识别的准确率测试。本发明利用迁移卷积神经网络识别人脸表情，解决了小数据集在大量网络上无法收敛和过拟合的问题。

技术领域

本发明涉及图像识别技术领域，具体涉及一种面向人脸表情识别的迁移卷积神经网络方法。

背景技术

人脸表情识别是人机交互与情感计算研究中的重要组成部分。随着人工智能的发展和机器人制造体系的成熟，人机交互领域显现出巨大的市场和应用前景。

传统的人脸表情识别研究方法主要基于几何特征，对人的眼睛、眉毛、嘴等位置变化特征进行表情识别。都需要人为设定特征，提取特征的信息量相当局限，准确率难以达到应用要求。

随着高性能服务器的发展，以卷积神经网络为代表的深度学习算法广泛应用到了计算机视觉、自动驾驶等领域中，取得了很好的效果。基于卷积神经网络的表情识别方法通过数据驱动，构建卷积层从表情数据库中学习提取抽象的特征信息，最后使用全连接层分类。然而，深度卷积网络依赖于数据驱动，很多数据集中的静态面部表情图片太少，在无法得到上百万大规模数据集时，直接训练效果不够理想，容易产生过拟合，识别的泛化效果较差。

发明内容

为了克服现有技术上的不足，本发明提供了一种面向人脸表情识别的迁移卷积神经网络方法，利用迁移卷积神经网络识别人脸表情，解决了小数据集在大量网络上无法收敛和过拟合的问题。

为了解决上述技术问题，本发明提供了一种面向人脸表情识别的迁移卷积神经网络方法，其特征是，包括以下步骤：

S1，获取人脸表情图像数据集，将其划分成训练集、验证集与测试集；

S2，将迁移网络和卷积神经网络级联构建迁移卷积神经网络模型；迁移卷积网络模型的输入为人脸表情图像数据，输出为人脸表情类别；

S3，利用训练集对迁移卷积神经网络模型进行训练，并利用验证集来优化训练好的迁移卷积神经网络模型；

S4，通过优化后的迁移卷积神经网络模型，对测试集进行人脸表情识别的准确率测试。

进一步的，S1中，获取人脸表情图像数据集包括以下过程：

S11，获取CK+和FER2013人脸表情图像数据集；

S12，扩展CK+数据集；

S13，对CK+和FER2013数据集进行图像归一化。

进一步的，迁移网络为Inception_v3网络。

进一步的，迁移网络包括6个卷积层、3个Inception层、2个池化层和1个全连接层，在级联时去除全连接层。

进一步的，卷积神经网络包括1个卷积层、1个池化层以及一个全连接层。

进一步的，人脸表情类别包括生气、厌恶、恐惧、高兴、悲伤、惊讶和中性。

本发明的有益效果包括：

1）、本发明对原数据集进行了图像处理，一方面扩展了表情图像数据集的数量，另一方面利用opencv将48x48x1的二维灰度图像转化为229x229x3的三维高分辨率图像，大大减少了表情信息在迁移网络中的丢失的可能性，间接提高了表情识别的效果。