[发明专利]一种人脸表情分类方法、装置及存储介质

权利要求书

1.一种人脸表情分类方法，用于对人脸表情的识别和分类，其特征在于，包括如下步骤：

A、获取不同种类人脸表情图像并设置标签；

B、将所述不同种类人脸表情图像输入改进型SqueezeNet网络模型进行训练；

C、将通过SqueezeNet网络模型训练的不同人脸表情图像通过分类器进行分类识别。

2.根据权利要求1所述的人脸表情分类方法，其特征在于，步骤A获取不同种类人脸表情图像并设置标签中具体包括如下步骤：

读取不同种类的人脸表情图像；

对所述不同种类的人脸表情图像设置不同的标签；

截取所述不同种类的人脸表情图像大小为224*224。

3.根据权利要求1所述的人脸表情分类方法，其特征在于，步骤B将所述不同种类人脸表情图像输入改进型SqueezeNet网络模型进行训练中的改进型SqueezeNet网络模型是将SqueezeNet网络模型与AlexNet网络模型相连接形成的卷积过滤器，不同种类人脸表情图像输入SqueezeNet网络模型与AlexNet网络模型相连接形成的卷积过滤器进行训练，以得到人脸表情图像信息集合。

4.根据权利要求3所述的人脸表情分类方法，其特征在于，所述将SqueezeNet网络模型与AlexNet网络模型相连接形成的卷积过滤器中，各卷积层顺序执行并设置如下：

b1、卷积层一，采用步长大小为3，卷积核为7*7，卷积后输出尺寸大小为111*111*96；

b2、最大值池化层一，输出尺寸大小为55*55*96；

b3、Fire1模型，输出尺寸大小为55*55*128，其中，Squeeze为16，Expand1为64，expand2为64；

b4、最大值池化层二，输出尺寸大小为27*27*128；

b5、Fire2模型，输出尺寸大小为27*27*256，其中，squeeze为32，expand1为128，expand2为128；

b6、最大值池化层三，输出尺寸大小为27*27*256；

b7、Fire3模型，输出尺寸大小为13*13*384，其中，squeeze为48，expand1为192，expand2为192；

b8、最大值提取层四，输出尺寸大小为7*7*384；

b9、卷积层三，采用步长大小为3，卷积核为3*3，卷积后输出尺寸大小为3*3*512；

b10、全连接层一、全连接层二、全连接层三分别输出的大小均为1000。

5.根据权利要求1至4任一项所述的人脸表情分类方法，其特征在于，步骤C中将通过SqueezeNet网络模型训练的不同人脸表情图像通过分类器进行分类识别是将所述人脸表情图像的分类的图像信息集合输入到SVM分类器中进行分类识别。

6.一种人脸表情分类装置，用于对人脸表情的识别和分类，其特征在于，所述装置包括人脸表情图像标签设置模块、人脸表情图像训练模块、人脸表情图像识别分类模块；

所述人脸表情图像标签设置模块用于获取不同种类人脸表情图像并设置标签；

所述人脸表情图像训练模块用于将所述不同种类人脸表情图像输入改进型SqueezeNet网络模型进行训练；

所述人脸表情图像识别分类模块用于将通过SqueezeNet网络模型训练的不同人脸表情图像通过分类器进行分类识别。

7.根据权利要求6所述的人脸表情分类装置，其特征在于，所述人脸表情图像标签设置模块具体用于读取不同种类的人脸表情图像；对所述不同种类的人脸表情图像设置不同的标签；截取所述不同种类的人脸表情图像大小为224*224。

8.根据权利要求6所述的人脸表情分类装置，其特征在于，所述人脸表情图像训练模块用于将所述不同种类人脸表情图像输入改进型SqueezeNet网络模型进行训练中具体是将不同种类人脸表情图像输入SqueezeNet网络模型与AlexNet网络模型相连接形成的卷积过滤器进行训练，以得到人脸表情图像信息集合。