[发明专利]基于改进的通道注意力机制的人脸表情识别方法及系统

说明书

本发明公开了人脸表情识别技术领域的一种基于改进的通道注意力机制的人脸表情识别方法及系统，包括：采集人脸表情图像；将采集到的人脸表情图像输入基于改进的通道注意力机制的人脸表情识别模型中，输出表情类型。所述基于改进的通道注意力机制的人脸表情识别模型，包括依次设置的若干个处理单元、一个全连接层和一个Softmax层，每个所述处理单元包括一个基于小尺度卷积核的卷积层、一个改进的通道注意力机制模块和一个池化层。提高了人脸表情识别的准确率，基于改进的通道注意力机制的人脸表情识别模型具有更好的鲁棒性。

技术领域

本发明属于人脸表情识别技术领域，具体涉及一种基于改进的通道注意力机制的人脸表情识别方法及系统。

背景技术

人脸表情识别一直是计算机视觉领域的研究热点之一。人脸表情识别是传递情感信息的重要方式，其在人机交互、推荐系统、医学研究等领域有着广泛的应用。

目前，人脸表情识别研究主要是基于传统的人工提取特征和基于深度学习这两种方法。传统的人工提取特征过于复杂且效率低，因此该方法逐步被基于深度学习的方法替代。目前大部分基于深度学习的人脸表情识别通过卷积神经网络学习面部表情特征，取得了不错的效果。但由于受年龄段不同、性别不同、生活背景等不同因素影响，每个人对同一种表情的诠释方式不一样，从而导致类内差异较大，不利于表情识别。现有的大多数卷积神经网络无法提取具有判别性的特征，不利于人脸表情识别算法准确率的提高。

发明内容

为解决现有技术中的不足，本发明提供一种基于改进的通道注意力机制的人脸表情识别方法及系统，提高了人脸表情识别的准确率，基于改进的通道注意力机制的人脸表情识别模型具有更好的鲁棒性。

为达到上述目的，本发明所采用的技术方案是：

第一方面，提供一种人脸表情识别方法，包括：采集人脸表情图像；将采集到的人脸表情图像输入基于改进的通道注意力机制的人脸表情识别模型中，输出表情类型。

进一步地，所述基于改进的通道注意力机制的人脸表情识别模型，包括依次设置的若干个处理单元、一个全连接层和一个Softmax层，每个所述处理单元包括一个基于小尺度卷积核的卷积层、一个改进的通道注意力机制模块和一个池化层。

进一步地，所述改进的通道注意力机制模块首先通过全局平均池化层和全局最大池化层分别对卷积特征图进行压缩，将压缩后的向量利用局部跨通道交互自主学习每层特征图的权重，得到两个具有权重分布的特征向量，再将这两个特征向量进行线性相加得到一个新的具有权重分布的特征向量，随后将该具有权重分布的特征向量送入Sigmoid激活函数，得到的输出值与输入的卷积特征图相乘，最终得到融合后的注意力特征图。

进一步地，所述基于改进的通道注意力机制的人脸表情识别模型采用ELU激活函数代替ReLU激活函数。

进一步地，所述ELU激活函数为：

其中，α表示超参数，α∈(0,1)。

第二方面，提供一种人脸表情识别系统，包括处理器和存储设备，所述存储设备中存储有多条指令，用于所述处理器加载并执行第一方面所述方法的步骤。

与现有技术相比，本发明所达到的有益效果：

(1)本发明通过基于改进的通道注意力机制的人脸表情识别模型识别人脸表情，在模型中嵌入改进的通道注意力机制模块，实现了增强有效信息的特征及抑制无效特征的目的，提高了人脸表情识别的准确率；基于改进的通道注意力机制的人脸表情识别模型具有更好的鲁棒性；

(2)本发明通过利用小尺度卷积核计算量少，可以搭建更深的网络的特性，实现了在使用更少参数的同时，保证较高的人脸表情识别准确率，小尺度卷积核的网络结构大大的降低了运算量，提高了效率；