[发明专利]一种生成对抗网络表情识别方法及系统

说明书

本发明提供了一种生成对抗网络表情识别方法，该方法首先将数据库的图像作为源域图像，自然环境下采集图像的数据库为目标域图像，并将所述源域图像和所述目标域图像标注对应的情感标签；将所述源域图像和所述目标域图像进行预处理，获得去除冗余信息的人脸图像；将所述情感标签作为辅助条件，利用生成对抗网络模型，将所述源域图像转化为所述目标域图像，基于扩充目标域图像训练分类器，构建人脸表情识别模型，通过人脸表情识别模型输出人脸表情识别结果。本发明提供的一种生成对抗网络表情识别方法，使分类器能够同时学到实验室环境以及自然环境的情感相关特征，提升表情识别率，本发明还提供了一种生成对抗网络表情识别系统。

技术领域

本发明属于人脸表情识别技术领域，更具体地说，是涉及一种生成对抗网络表情识别方法及系统。

背景技术

传统的人脸表情识别主要针对实验室环境下基本典型表情的识别，但是这样的基本表情面部肌肉比较夸张，难以刻画和反映现实生活中人类情感变化的微妙性和复杂性，在自然环境下面部识别过程中由于表情识别受光照变化、任意姿势变化、自发面部表情、不受约束的背景以及许多其他不可预测情况的影响，导致识别准确率低。

发明内容

本发明的目的在于提供一种生成对抗网络表情识别方法及系统，旨在解决自然环境下面部识别准确率低的问题。

为实现上述目的，本发明采用的技术方案是：提供一种生成对抗网络表情识别方法，包括：

步骤1：首先将数据库的图像作为源域图像，自然环境下采集图像的数据库为目标域图像，并将所述源域图像和所述目标域图像标注对应的情感标签；

步骤2：将所述源域图像和所述目标域图像进行预处理，获得去除冗余信息的人脸图像；

步骤3：将所述情感标签作为辅助条件，利用生成对抗网络模型，将所述源域图像转化为所述目标域图像，基于扩充目标域图像训练分类器，构建人脸表情识别模型，通过人脸表情识别模型输出人脸表情识别结果。

优选地，所述步骤3包括以下步骤：

步骤301：将所述情感标签作为辅助条件，利用所述生成对抗网络模型中的生成器和判别器互相博弈训练，利用所述生成器将所述源域图像生成样本图像，利用所述判别器判别所述样本图像是否具有所述目标域图像的表情特征，同时所述样本图像保留所述源域图像的局部表情特征；

步骤302：把所述样本图像和所述目标域图像输入到分类器中；

步骤303：所述分类器将分类结果反馈给所述生成器，从而指导所述生成器生成具有所述目标域图像表情特征的所述样本图像；

步骤304：经过迭代次数的增加，不断优化所述生成器、所述判别器和所述分类器，从而得到生成器模型、判别器模型和分类器模型，完成了构建所述人脸表情识别模型，通过所述人脸表情识别模型输出人脸表情识别结果。

优选地，所述分类器为深度残差网络识别模型。

优选地，步骤2所述将所述源域图像和所述目标域图像进行预处理，利用人脸检测库对所述源域图像和所述目标域图像进行人脸检测并截取所述人脸图像，并将所述人脸图像归一化到相同尺寸。

优选地，所述步骤301为了使所述样本图像保留所述源域图像的局部表情特征，同时所述样本图像可以直接用于表情分类任务，则需要在对抗损失的基础上加入重构损失和分类任务损失，并将这三部分损失结合在一起作为所述生成器的损失函数。

优选地，所述生成器的对抗损失函数推导步骤包括：

所述对抗损失是通过所述生成器生成的所述样本图像能够得到所述判别器最大认可，将所述样本图像输入到所述判别器中，所述判别器给出最高评分，同时采用所述源域图像作为条件加入到所述生成器的输入中，所述对抗损失的表示为：