[发明专利]一种人脸表情分类方法、装置及存储介质

说明书

本发明公开了一种人脸表情分类方法、装置及存储介质，包括：用于对人脸表情的识别和分类。人脸表情分为高兴、生气、惊恐、平静等表情特征，不同的表情特征，提取的纹理信息也不相同，利用现有的基于卷积神经网络模型的SqueezeNet网络模型和AlexNet网络模型的特点，将这两个网络模型的优点结合起来，构成新的网络结构，在保持SqueezeNet网络模型结构的基础上，修改SqueezeNet网络模型，重新组建了改进型的SqueezeNet网络模型，通过将不同人脸表情图像输入到改进型的SqueezeNet网络模型中进行训练，得到人脸表情分类的图像信息集合，有利于进行模型表情的分类，该网络模型有效解决了人脸表情识别分类问题，大大缩短了计算时间，算法复杂度大大降低，更有利于人脸表情的识别分类。

技术领域

本发明涉及用于识别图形的数据识别技术，尤其涉及一种人脸表情分类方法、装置及存储介质。

背景技术

人脸表情分为高兴、生气、惊恐、平静等表情特征，不同的表情特征，提取的纹理信息也不相同，传统的分类人脸表情的方法采用机器学习方法，将人脸表情的图像的纹理信息提取出来，运算量大，且不同表情的纹理信息很类似，对于数据量大、人脸表情接近的人脸表情，进行分类的计算过程繁琐，算法复杂，计算时间长。

因此，现有技术还有待于改进和发展。

发明内容

鉴于上述现有技术的不足之处，本发明为解决现有技术缺陷和不足，提出了一种人脸表情分类方法、装置及存储介质，对基于卷积神经网络的SqueezeNet网络模型的现有网络模型，重新组建了一种新的网络模型，有效解决了人脸表情识别分类问题，大大缩短了计算时间，算法复杂度大大降低，更有利于人脸表情的分类。

本发明解决技术问题所采用的技术方案如下：

一种人脸表情分类方法，用于对人脸表情的识别和分类，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。

作为进一步的改进技术方案，上述步骤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。

作为进一步的改进技术方案，上述步骤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。

作为进一步的改进技术方案，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、最大值提取层一，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、最大值提取层二，输出尺寸大小为27*27*128；