[发明专利]一种基于多尺度特征提取的人脸表情识别模型

说明书

本发明涉及图像处理技术领域，具体涉及一种基于多尺度特征提取的人脸表情识别模型，包括从当前表情数据库中获取训练样本，采用训练样本对3D卷积神经网络进行训练，并保存训练得到的网络模型，从历史表情数据库中获取测试样本，采用测试样本对训练得到的网络模型进行测试，并保存测试后的网络模型，从3D卷积神经网络的最后一层全连接层提取特征向量，输入到线性SVM分类器中进行训练，所述的历史表情数据库中存储有与当前表情数据库属于同一人物的历史表情数据，调取的测试样本包括与训练样本中标记为同一人物的历史表情数据。采用本发明方案，可以自行验证训练样本和测试样本的可靠性，以提高人脸表情识别的准确性。

技术领域

本发明涉及图像处理技术领域，具体涉及一种基于多尺度特征提取的人脸表情识别模型。

背景技术

随着机器学习和深度神经网络两个领域的迅速发展以及智能设备的普及，人脸识别技术正在经历前所未有的发展。目前，基于这项技术的市场发展和具体应用正呈现蓬勃发展态势。面部表情是面部肌肉的一个或多个动作或状态的结果。这些运动表达了个体对观察者的情绪状态。面部表情是非语言交际的一种形式。它是表达人类之间的社会信息的主要手段，人脸表情识别(facialexpression recognition,FER)作为人脸识别技术中的一个重要组成部分，近年来在人机交互、安全、机器人制造、自动化、医疗、通信和驾驶领域得到了广泛的关注。

在现有技术中，有采用3D卷积神经网络进行训练而得到用于人脸表情识别的网络模型技术，即随机从同一表情数据库获取到训练集后，将训练集按照预先设定比例划分为训练样本和测试样本，通过训练样本对3D卷积神经网络进行训练，通过测试样本对3D卷积神经网络进行测试，虽然能得到网络模型，但仍存在的不足之处在于：无法验证训练样本和/或测试样本的有效性和可靠性，若训练样本和/或测试样本本身存在不准确问题，则得到的网络模型也将不可靠，导致采用这种网络模型进行人脸表情识别时，人脸表情识别准确性低。

发明内容

本发明意在提供一种具备自行验证训练样本和测试样本可靠性的基于多尺度特征提取的人脸表情识别模型，以提高人脸表情识别准确性。

一种基于多尺度特征提取的人脸表情识别模型，包括从当前表情数据库中获取训练样本，采用训练样本对3D卷积神经网络进行训练，并保存训练得到的网络模型，从历史表情数据库中获取测试样本，采用测试样本对训练得到的网络模型进行测试，并保存测试后的网络模型，从3D卷积神经网络的最后一层全连接层提取特征向量，输入到线性SVM分类器中进行训练，所述的历史表情数据库中存储有与当前表情数据库属于同一人物的历史表情数据，调取的测试样本包括与训练样本中标记为同一人物的历史表情数据。

本发明的有益效果在于：从当前表情数据库中获取训练样本，从历史表情数据库中获取测试样本，而历史表情数据库中存储有与当前表情数据库属于同一人物的历史表情数据，调取的测试样本包括与训练样本中标记为同一人物的历史表情数据，也即训练样本中有某人的表情数据，那么在测试样本中也存在同一个人相同的表情数据，通过此种方式，只需要对比分析采用训练样本的训练结果和采用测试样本的测试结果是否一致或者相似度是否极高，若一致或者相似度极高，则说明训练样本和测试样本具备可靠性，以此得到的网络模型其准确性也将大大提高。若训练结果与训练样本数据相差较大，但是训练结果与测试结果一致或者相似度极高，则说明训练样本数据存在问题，需要重新选取训练样本部分数据，同样的，若测试结果与测试样本数据相差较大，但是测试结果与训练结果一致或者相似度极高，则说明测试样本数据存在问题，需要重新选取测试样本部分数据，经此样本优化之后，采用3D卷积神经网络所训练和测试的网络模型将更加可靠，准确性高。

进一步地，输入待测图像，从3D卷积神经网络的最后一层全连接层提取特征向量，输入到线性SVM分类器中进行一次分类。

有益效果：以此，实现对待测图像表情识别的一次分类，也就是初步分类。

进一步地，调取待测图像中人物的历史图像集，从历史图像集中调取与本次待测图像相似度最高的待测历史图像。