[发明专利]一种基于代价敏感卷积神经网络的人脸表情识别方法

摘要

本发明提出了一种基于代价敏感卷积神经网络的人脸表情识别方法。在考虑人脸表情类别错分带来损失的基础上，将错分引起的代价融入模型训练与参数优化全过程中，在模型训练过程中，考虑不同表情类别的错分所造成的不同影响，并根据错分引起的损失大小自适应地调整模型参数，最大限度地降低表情类型错分而引起的损失。本方法解决了现有基于卷积神经网络的人脸表情识别模型中假定或默认不同表情类别错分代价影响均等的问题，在提高表情识别精度的同时，降低因表情错误分类而引起的损失，具有较强的面部情感识别能力。

主权项

1.一种基于代价敏感卷积神经网络的人脸表情识别方法，其特征在于，包括以下步骤：步骤1：根据不同表情类别错分所带来的影响，设计错分代价矩阵；步骤2：构建卷积神经网络模型，确定网络层数、特征图个数以及卷积核的大小；将所有节点的偏置参数b初始化为0，且在(‑1,1)范围内随机初始化权重矩阵ω＝(ωij)，如式(1)所示：其中，ωij为网络前一层第i个特征图与当前层第j个特征图之间的卷积核，nin为输入神经元的个数，nout为输出神经元的个数，rand(0,1)函数用于产生取值范围在(0,1)区间内的随机数；步骤3：输入训练样本数据，根据卷积神经网络进行前向传播，得到训练样本对应的预测输出值，并将其带入代价敏感的损失函数式(2)中，计算得到训练样本的损失代价：其中，k是指训练样本的个数，n是指输出层神经元的个数，class(i)是指第i个训练样本的标签，Cost_class(i),j是指将第i个训练样本的class(i)类错分为j类的代价，y_ij分别是第i个训练样本对应输出层第j个神经元的预测输出值、实际输出值；将训练样本的预测值、期望值和相应的错分代价代入式(2)中，计算训练样本的损失代价；步骤4：根据训练样本的损失代价和反向传播算法，计算卷积神经网络模型中每一层的代价敏感度；以最小化错误分类所造成的损失代价为目标，采用反向传播算法，根据训练样本错误分类造成的总体损失代价，依次计算每层网络的代价敏感度，用于更新修正网络权值参数；设第k个样本的实际输出值将不同情感错分类型所引起的损失代价融入CNN方法中，则模型在单个训练样本k上的损失代价为E_k，其计算如式(5)所示：其中表示输出层第j个神经元的实际输出值，表示输出层第j个神经元的期望输出值；步骤5：根据随机梯度下降算法，计算权重修正值和偏置修正值，更新卷积神经网络模型参数；权重的更新公式为：偏置的更新公式为：其中，t是指训练过程的第t次迭代；步骤6：判断迭代次数或损失代价是否达到阈值，如果均未满足，则继续迭代并计算权重修正值和偏置修正值；否则训练结束，得到优化好的基于代价敏感卷积神经网络的人脸表情识别模型。