[发明专利]表情识别模型的训练方法、装置、设备及存储介质

说明书

本发明涉及人工智能领域，公开了一种表情识别模型的训练方法、装置、设备及存储介质。所述表情识别模型的训练方法包括：获取待识别的人脸图像集和所述人脸图像集相应的对比人脸图像集，并基于此构建人脸图像对集；基于人脸图像对集，对预置人脸识别模型进行人脸表征提取训练，并输出训练结果，得到第一网络模型和人脸表征对集；基于人脸表征对集，对第一网络模型进行表征分离训练，并输出训练结果，得到第二网络模型以及表情表征对集和非表情表征对集；基于表情表征对集和非表情表征对集，对所述第二网络模型进行人脸分析训练，得到表情识别模型。本发明中，有效减少了表情识别过程中非表情因素对识别结果的干扰，从而提高了模型识别的准确性。

技术领域

本发明涉及人工智能领域，尤其涉及一种表情识别模型的训练方法、装置、设备及存储介质。

背景技术

人脸表情是分析人类情绪和意图的关键信息，人脸表情识别更是应用于社交机器人、医疗、驾驶员疲劳监测和许多其它人机交互系统的关键步骤。目前已有的人脸识别方法可以分成三类：一类是利用手工特征的传统方法，一类是浅层学习方法，一类是深度学习方法。深度学习是目前的主流方法，一般通过卷积神经网络提取人脸图像的表征，再通过人脸图像的表征学习并输出表情的分类。整体的网络可以进行端到端的训练，即网络输入为人脸图像，输出为表情类别。

现有的表情识别模型的训练方法是从输入图像中学习到表情的表征或表情差异，但因人脸表情识别数据中缺乏多样性的样本，样本数据不足以体现广泛的与表情无关的变化，所以在训练时易受到与表情无关因素的干扰而导致识别准确性不足。

发明内容

本发明的主要目的在于解决由现有表情识别模型的训练方法在训练时易受到与表情无关因素的干扰而导致模型的识别准确性不足的问题。

本发明第一方面提供了一种表情识别模型的训练方法，包括：

获取待识别的人脸图像集和所述人脸图像集相应的对比人脸图像集，并基于所述人脸图像集和所述对比人脸图像集，构建人脸图像对集；

基于所述人脸图像对集，对预置人脸识别模型进行人脸表征提取训练，并输出训练结果，得到第一网络模型以及所述人脸图像对集相应的人脸表征对集；

基于所述人脸表征对集，对所述第一网络模型进行表征分离训练，并输出训练结果，得到第二网络模型以及所述人脸图像对集相应的表情表征对集和非表情表征对集；

基于所述表情表征对集和所述非表情表征对集，对所述第二网络模型进行人脸分析训练，得到表情识别模型，其中，所述人脸分析训练包括表情识别训练和人脸比对训练。

可选的，在本发明第一方面的第一种实现方式中，所述基于所述人脸图像集和所述对比人脸图像集，构建人脸图像对集包括：

依次对所述人脸图像集中的人脸图像和所述对比人脸图像集中的对比人脸图像进行图像预处理，得到目标人脸图像集和目标对比人脸图像集；

依次对所述目标人脸图像集和所述目标对比人脸图像集进行数据标定，并基于数据标定的结果，构建人脸图像对集。

可选的，在本发明第一方面的第二种实现方式中，所述基于所述人脸图像对集，对预置人脸识别模型进行人脸表征提取训练，并输出训练结果，得到第一网络模型以及所述人脸图像对集相应的人脸表征对集包括：

基于预置人脸识别模型，依次提取所述人脸图像对集中人脸图像的人脸表征，得到所述人脸图像对集相应的人脸表征对集；

基于所述人脸表征对集中的人脸表征，依次重构原图像，得到第一人脸图像对集；

基于预置第一损失函数，依次计算所述第一人脸图像对集中第一人脸图像对的损失结果，并根据所述损失结果，调节所述预置人脸识别模型的网络参数，并输出当前损失结果对应提取到的人脸表征，得到第一网络模型以及所述人脸图像对集相应的人脸表征对集。