[发明专利]一种基于深度学习的车载人脸表情识别方法

说明书

本发明公开了一种基于深度学习的车载人脸表情识别方法，包括加载FER图像数据集、图像预处理、将数据集分为训练和测试样本、使用预训练的SqueezeNet网络建立模型参数、对模型进行特征提取、将图像数据测试到模型中进行情感分类、计算性能测量参数。本发明的有益效果是：使用一种迁移学习的表情识别框架，实现了通过挤压网络对面部表情的分类，通过迁移学习实现CNN模型的挤压网络用于驾驶员微表情识别；使用一些FER数据库进行性能的评估；分析对比最精确的方法；通过研究卷积神经网络在面部表情识别中的表现，使用一个小型的CNN架构SqueezeNet，它的参数少，执行速度更快，可以在嵌入式系统中部署。

技术领域

本发明涉及一种人脸表情识别方法，具体为一种基于深度学习的车载人脸表情识别方法，属于人工智能技术与汽车技术领域。

背景技术

随着生活水平的不断提高，越来越多的人把汽车作为代步工具，在方便人们出行的同时产生一系列安全问题。产生事故的原因有很多，例如，一些新手上路时，会因为没有驾驶经验，情绪紧张，对一些突发情况不能很好的应对；一些老司机也会长时间驾驶，产生疲劳，困倦等情况，威胁到自己以及他人的生命安全；还有一些人缺乏法律意识，甚至有酒驾，毒驾等行为。因此实时检测驾驶员的微表情判断驾驶员的驾驶状态至关重要，通过驾驶员微表情检测，配合智能驾驶技术能很大程度的减少事故的发生。

微表情在脸上停留的时间极短，且汽车高速行驶，事故的发生往往只在一瞬间，所以需要快速采集图像，分析数据。近年来，随着深度学习的快速发展，深度学习技术已经被广泛应用在人脸微表情识别上，与传统的FER技术相比，基于深度学习卷积神经网络（CNN）的系统明显更强大。基于深度学习的FER方法可以自动提取特征，快速识别面部表情，配合智能驾驶技术，对驾驶员的驾驶状态预警以及突发情况的处理都有很大的帮助，大幅度降低事故发生的可能。

目前对驾驶员状态检测的主要方式有以下三种，第一，可以通过获取方向盘运动方式来分析驾驶员的当前状态，但是这种方式对于各种情绪的参数没有一个具体的标准，所以实施起来比较困难；第二，可以通过身体传感器来获得驾驶员的生理数据，通过生理数据判断驾驶员当前状态，这种假装传感器的方式在一定程度上会影响驾驶；第三，可以通过车辆摄像头来获得驾驶员当前面部图像信息，以此建立对驾驶员的状态检测，这种方式是通过汽车屏幕摄像头进行采集数据，对驾驶员没有接触，不会影响驾驶，且通过微表情来识别驾驶员是否异常的可信度更高。

发明内容

本发明的目的就在于为了解决上述至少一个技术问题而提供一种基于深度学习的车载人脸表情识别方法。

本发明通过以下技术方案来实现上述目的：一种基于深度学习的车载人脸表情识别方法，包括以下步骤：

步骤一、加载FER图像数据集，采集驾驶员图像是人脸表情识别的第一步，进行人脸图像数据的采集工作，并将采集到的图片存储到指定的文件夹内，以创建图像数据库；

步骤二、图像预处理，采用的自适应直方图均衡化和图像嵌入绘制等预处理技术对图像进行处理，同时也要对图像损伤区域进行必要的修复；

步骤三、将数据集分为训练和测试样本，系统建模训练遵循8：2的数据分割，百分之八十的数据用于训练，剩余百分之二十用来测试；

步骤四、使用预训练的SqueezeNet网络建立模型参数；

步骤五、对模型进行特征提取，从数据集中提取特征集，通过训练卷积神经网络来提取特征，找到一个集合，以准确的表示微表情的向量；

步骤六、将图像数据测试到模型中进行情感分类，将测试结果进行分类，CNN分类器使用输入的图片对面部表情进行分类；

步骤七、计算性能测量参数，通过运用深度学习技术去识别驾驶员微表情的变化，以此判断驾驶员的实时状态，预防交通事故的发生。

作为本发明再进一步的方案：所述步骤一中，通过车辆摄像头来获得驾驶员当前面部图像信息。

作为本发明再进一步的方案：所述步骤一中，使用公开的数据集作为实验的数据库。