[发明专利]一种基于改进的CNN人脸表情识别方法

摘要

本发明请求保护一种基于改进的CNN的人脸表情识别方法，涉及图像分类与识别领域，包括步骤：S1，使用一个集合了人脸检测和对齐功能的人脸检测对齐算法JDA算法，从视频流中获取人脸表情图像；S2，对步骤S1获得的人脸表情图像，使用人脸矫正在真实环境下的人脸姿态，并去除与表情信息无关的背景信息以及采用采用尺度归一化；S3，在对步骤S2获得的归一化的人脸表情图像进行特征之前，对卷积神经网络模型进行训练，得到最佳的网络参数并保存；S4，对步骤S3获得最佳网络参数，加载CNN模型以及S3得到的最佳的网络参数，并对S2获得的归一化的人脸表情图像进行特征提取；S5，对步骤S4获得的人脸表情特征，使用SVM分类器进行分类识别。本发明具有较强的鲁棒性以及良好的泛化性能。

主权项

1.一种基于改进的CNN人脸表情识别方法，其特征在于，包括以下步骤：S1、采用集合了人脸检测和对齐功能的人脸检测对齐算法JDA算法，从视频流中获取人脸表情图像；S2、对步骤S1获得的人脸表情图像，采用图像预处理的算法对采样的图像进行包括人脸姿态的矫正、去除表情无关的背景信息、直方图均衡、尺度归一化在内的预处理；S3、在对步骤S2获得的归一化的人脸表情图像进行特征提取之前，采用改进的CNN模型进行训练，得到最佳的网络参数并保存；改进的CNN模型改进点主要有三个关键点：1、采用连续且较小的卷积核替代较大的卷积核；2、在卷积神经网络模型中引入Inception模型；3、设计改进的CNN模型时引入点卷积(1×1卷积)，其中点卷积主要功能为数据的降维和升维，实现了跨通道的交互和信息融合；数据的降维与升维是通过控制卷积核数量实现的；网络结构主要采用1×1卷积、3×3卷积和Inception模型结果堆栈而成，其中Inception模块近似一个稀疏结构，具体结构是将1×1卷积，3×3卷积，5×5卷积和3×3最大池化层堆栈在一起，激活函数使用ReLU激活函数，然后将这些层连接在一起作为输出；最终提出的深度卷积神经网络架构包含传统的CNN层和Inception模块，网络包含五层卷积与两层Inception模块以两层最大池化层，最后两层为全连接层输出七种分类结果；S4、对步骤S3获得的最佳网络参数，加载卷积神经网络CNN模型以及S3得到的最佳的网络参数，并对S2获得的归一化的人脸表情图像进行特征提取；S5、对步骤S4获得的人脸表情特征，使用SVM分类器进行分类识别。