[发明专利]一种预激活残差深度可分离卷积网络面部表情识别方法、装置和载体

说明书

本发明公开了一种预激活残差深度可分离卷积网络面部表情识别方法、装置和载体，属于人工智能领域，其包含人脸面部表情图像进行预处理，浅层特征提取，得到基本的视觉特征，主要是眼睛，眉毛和嘴唇的形状，下采样进行深层特征提取，上采样特征融合部分等过程，应用softmax激活函数以产生预测。本发明在人脸面部表情识别中能够更精准的提取人脸特征，使用的参数数量更少并具有很高的分类识别准确率。

技术领域

本发明涉及人工智能领域，具体而言，涉及带有一种预激活残差深度可分离卷积网络面部表情识别方法、装置和载体。

背景技术

人脸表情是最直接、最有效的情感识别模式。随着人工智能的发展，人机交互领域的研究热点也逐渐增多，情感识别在以人为本的设计中引起了人们的关注，事实上，一些研究已经表明了机器解释人类情感的重要性。人脸表情识别在舆情分析、辅助医疗、疲劳驾驶监督、网络课堂教学质量分析等领域都发挥着非常重要的作用。面部表情作为一种非语言交流形式，比语言交流能更快地被理解，由于面部表情的多样性和复杂性，且涉及心理学和生理学等多个学科，相对于人脸识别技术，表情识别发展较慢，且类别之间不完全相互独立，给表情识别带来了很多挑战。

人脸表情识别过程包括三个阶段:1.利用人脸检测器检测出包含人脸图像中的人脸区域。2.从检测到的人脸区域中提取人脸特征。3.面部特征分析:分析面部有限元运动，解读面部表情。特征提取与特征分析是面部表情识别的关键环节。传统特征提取时，所采用的是人为设定的特征，容易损失部分原有特征信息，而且由于特征维数较大增加了一定的运算量和复杂度。而卷积神经网络不需要人为的设定特征，而是通过训练网络结构去自动学习特征，从而给出识别的结果，与早期手动提取特征的方法相比，卷积神经网络是通过构建、组合多个卷积层来自动提取深层次的人脸表情特征，尽可能的避免人为提取特征的误差，且同时具有极强的鲁棒性，逐渐成为了主流方法。

由于人脸表情样本的采集较为繁琐、建立大型的专有人脸表情数据库较为困难，故目前库的数量有限、库中样本数量也相对较少。深度学习方法解决人脸表情识别问题时，虽然有区别于传统人工设计特征的不便的优点，而且能够利用网络本身强大的学习能力自动提取深层次的人脸表情特征，从而进一步提高识别精确度。但由于表情识别问题的复杂性，网络结构越来越复杂，参数不断增加，计算复杂度越来越大，当样本数量不够时容易出现过拟合现象。

发明内容

本发明为解决上述小数据集的面部表情分类问题，而提供了一种预激活残差深度可分离卷积网络面部表情识别方法、装置和载体，采用深度可分离卷积在增加并平衡网络深度和宽度的同时不增加额外的计算负担，更精准提取人脸表情特征，并在残差块中采用预激活的方式实现对模型的优化并减少过拟合的影响。

提供的技术方案为：

提供了一种预激活残差深度可分离卷积网络面部表情识别方法：

识别面部并采集面部照片得到数据样本图像；

数据样本图像输入至浅层特征提取部分进行多次普通卷积运算以提取浅层特征，得到多幅浅层样本数据特征图；

每幅浅层样本数据特征图作为输入通道输入至下采样层特征提取部分分别执行深层特征提取得到深层样本数据特征图；

深层样本数据特征图输入至下采样层特征提取部分全局平均池化后应用Softmax激活函数产生预测，并输出访问者面部面部表情预测结果；

其中，下采样层特征提取部分包括预激活残差深度可分离单元，预激活残差深度可分离单元得到浅层样本数据特征图后进行深度可分离卷积运算后输出深层样本数据特征图；

深度可分离卷积运算的执行过程包括逐次进行的深度卷积运算和逐点卷积运算；

深度卷积运算包括逐次进行的批归一化运算、掺入Relu函数运算、通道卷积运算；