[发明专利]基于深度学习的动态人脸情绪识别方法

权利要求书

1.一种基于深度学习的动态人脸情绪识别方法，其特征在于，包括如下步骤：

S1、获取人脸图像序列；

S2、使用VGG卷积神经网络提取所述人脸图像序列中的每一张图像的图像特征；

S3、使用LSTM循环神经网络，结合S2中提取的所述图像特征，识别人脸情绪；

所述S3具体包括如下步骤：

S31、将多个图像特征向量依照时间先后顺序输入LSTM循环神经网络；

S32、将LSTM循环神经网络的输出特征向量序列，进行特征加权融合，得出最终的分类结果；

所述S32具体包括如下步骤：

设LSTM循环神经网络输出的特征向量序列为v_i，i＝1,2,…,n，n为序列的长度，则加权融合后的特征向量为

其中，加权系数max(v_i)为向量v_i的最大分量，max_2(v_i)为向量v_i的次大分量，b＝0.05；

S4、使用损失函数对网络进行反复训练，优化网络参数，构建完整的动态人脸情绪识别模型；

S5、利用所述动态人脸情绪识别模型，实现对人脸情绪的识别。

2.根据权利要求1所述的基于深度学习的动态人脸情绪识别方法，其特征在于，所述S1具体包括如下步骤：利用Adaboost算法检测人脸，随后依据时间顺序获取人脸图像序列。

3.根据权利要求1所述的基于深度学习的动态人脸情绪识别方法，其特征在于，所述S2具体包括如下步骤：

S21、对图像进行缩放处理以及灰度化处理，并将所有处理后图像进行汇总、形成训练集；

S22、采用VGG卷积神经网络，通过卷积层、池化层、全连接层对所述训练集中的图像进行特征提取；

S23、使用softmax函数作为激活函数产生非线性的表示，将全部图像特征向量的值约束在[0,1]中。

4.根据权利要求3所述的基于深度学习的动态人脸情绪识别方法，其特征在于，S21中所述对图像进行缩放处理以及灰度化处理，具体包括如下步骤：对所述人脸图像序列中的每一张图像进行缩放处理以及灰度化处理，使图像转化为标准的28×28的灰度图像。