[发明专利]基于深度学习的人脸微表情识别系统

权利要求书

1.一种基于深度学习的人脸微表情识别系统，其特征在于，包括用于对输入图像进行人脸微表情识别的深度网络模型，所述深度网络模型包括用于提取图像识别特征的特征提取模块和用于对所述图像识别特征进行微表情识别并输出识别结果的图像识别模块；

其中，所述特征提取模块包括深度特征提取子模块和判别性特征提取子模块；

所述深度特征提取子模块依次包括第一卷积层及多个空洞卷积模块；空洞卷积模块用于对所述第一卷积层输出的卷积结果进行数据处理并输出深度特征；所述深度特征提取子模块包括4个相同结构的空洞卷积模块，每个空洞卷积模块沿数据流处理方向依次包括1*1的卷积层、第一BN归一化层、第一带泄露线性整流函数层、3*3的空洞卷积层、第二BN归一化层及第二带泄露线性整流函数层；所述判别性特征提取子模块用于利用基于判别性区域提议网络得到的多个判别性区域对所述深度特征进行裁剪，并将裁剪后的特征进行特征放大，以作为所述图像识别特征；

其中，所述判别性特征提取子模块包括：判别性区域中心点坐标确定单元，用于基于所述深度特征，利用判别性区域提议网络得到N个判别性区域中心点坐标；所述判别性区域提议网络沿数据流处理方向依次包括空洞卷积模块、卷积层及全连接层；判别性区域确定单元，用于基于各判别性区域中心点坐标和预设边长确定相应判别性区域。

2.根据权利要求1所述的基于深度学习的人脸微表情识别系统，其特征在于，所述判别性特征提取子模块包括：

裁剪单元，用于利用各判别性区域对所述深度特征进行裁剪；

特征放大单元，用于分别将裁剪后的N个特征的特征图尺寸放大至所述深度特征的特征图尺寸。

3.根据权利要求2所述的基于深度学习的人脸微表情识别系统，其特征在于，所述裁剪单元用于基于第一公式，利用各判别性区域对所述深度特征进行裁剪；所述第一公式为：

δ(x)＝1/(1+exp^-kx)；

式中，为第i个判别性区域裁剪所述深度特征得到的特征，F_deep为所述深度特征，x、y分别为所述深度特征的特征图宽度与高度方向上的坐标值，k为大于零的常数，L为所述预设边长；xⁱ,yⁱ为第i个判别性区域中心点坐标。

4.根据权利要求2所述的基于深度学习的人脸微表情识别系统，其特征在于，所述特征放大单元用于根据第二公式对裁剪后的特征进行特征放大，所述第二公式为：

λ_H＝H/L，λ_W＝W/L；

式中，为在位置处(x^t,y^t)的像素值，为裁剪后深度特征的特征图在位置(m,n)的像素值，H、W分别为所述特征图的高度与宽度，L为所述预设边长。

5.根据权利要求1所述的基于深度学习的人脸微表情识别系统，其特征在于，所述第一BN归一化层包括：

均值计算单元，用于利用计算每个通道的像素均值，μ_B(c)为通道c的像素均值，B为当前训练批次包含的图像总数，Y₁^b(c,i,j)为当前训练批次的第b张输入图像，h、w分别为特征图通道的高度和宽度；

方差计算单元，用于利用计算每个通道的像素方差，为通道c的像素方差；

归一化单元，用于利用对Y₁^b(c,i,j)进行归一化处理，得到归一化的图像ε为正常数；

图像处理单元，用于利用对进行图像处理，γ为缩放因子，β为平移因子。