[发明专利]人脸表情识别方法、装置、设备及存储介质

说明书

本发明提供了一种人脸表情识别方法、装置、设备及存储介质，其中，方法包括：获取原始图片；通过第一神经网络从所述原始图片中截取出人脸图像，并提取出单人表情特征；通过第二神经网络对所述单人表情特征进行多尺度提取，得到不同尺度下所述单人表情特征的注意力特征图；将不同尺度下所述单人表情特征的注意力特征图进行合并，得到融合特征图；利用Softmax分类器对所述融合特征图进行分类识别，并生成分类结果。本发明的人脸表情识别方法，使用了两种神经网络，其中一个神经网络用于提取出人脸表情特征，另一个神经网络则用于对人脸表情特征在多种尺度下进行识别，提高了人脸表情识别的精确度。

技术领域

本发明涉及人脸识别技术领域，尤其涉及一种人脸表情识别方法、装置、设备及存储介质。

背景技术

传统的目标检测网络使用单一的卷积神经网络模型进行特征提取，如今这些方法仍然被广泛使用，对图片进行图片特征提取是为了得到图片中的信息特征，从而将图像中的像素点分为不同的点、曲线或者连续的区域等类别，最终通过神经网络输出该像素对应的特征类别。

在传统算法下，这种特征提取分类模型通常存在一个统一的问题，仅适用于一种情况，然而，在现实世界中，图片中包含复杂的背景以及不同尺度的目标是经常出现的情况，这种情况下，使用单一的卷积神经网络往往难以很好地区分出背景，达到细粒度的检测要求。一些深度较大的神经网络虽然可以更好的提取细粒度特征，但是网络深度的增加也会导致参数增多，大量的卷积过程还造成特征信息的丢失以及梯度消失现象，从而影响模型性能。此外，单一的神经网络模型对于不同尺度的目标不敏感，而且无差别的对图像进行特征提取也会造成资源的浪费，这些因素都会影响后续的模型识别效果。

因此，现有技术还有待于改进和发展。

发明内容

本发明的主要目的在于解决现有人脸表情识别方法对于不同尺度的目标检测不敏感，识别精度不高的技术问题。

本发明第一方面提供了一种人脸表情识别方法，所述人脸表情识别方法包括：

获取原始图片；

通过第一神经网络从所述原始图片中截取出人脸图像，并提取出单人表情特征；

通过第二神经网络对所述单人表情特征进行多尺度提取，得到不同尺度下所述单人表情特征的注意力特征图；

将不同尺度下所述单人表情特征的注意力特征图进行合并，得到融合特征图；

利用Softmax分类器对所述融合特征图进行分类识别，并生成分类结果。

在本发明第一方面一种可选的实施方式中，所述通过第二神经网络对所述单人表情特征进行多尺度提取，得到不同尺度下所述单人表情特征的注意力特征图包括：

对所述单人表情特征进行下采样，得到不同尺度的所述单人表情特征；

对不同尺度的所述单人表情特征进行并行卷积运算，得到不同尺度下所述单人表情特征的注意力特征图。

在本发明第一方面一种可选的实施方式中，所述第一神经网络包括VGG神经网络，所述通过第一神经网络从所述原始图片中截取出人脸图像，并提取出单人表情特征包括：

使用所述VGG神经网络对所述原始图片中的人脸进行识别；

根据所述VGG神经网络的识别结果从所述原始图片中截取出所需的所述人脸图像，并提取出所述人脸图像中所述单人表情特征。

在本发明第一方面一种可选的实施方式中，所述使用VGG神经网络对所述原始图片中的人脸进行识别之前包括：

使用WiderFace数据集对所述VGG神经网络进行训练。