1.一种基于深度学习的动态人脸情绪识别方法,其特征在于,包括如下步骤:S1、获取人脸图像序列;
S2、使用VGG卷积神经网络提取所述人脸图像序列中的每一张图像的图像特征;
S3、使用LSTM循环神经网络,结合S2中提取的所述图像特征,识别人脸情绪;
S4、使用损失函数对网络进行反复训练,优化网络参数,构建完整的动态人脸情绪识别模型;
S5、利用所述动态人脸情绪识别模型,实现对人脸情绪的识别。
2.根据权利要求1所述的基于深度学习的动态人脸情绪识别方法,其特征在于,所述S1具体包括如下步骤:利用Adaboost算法检测人脸,随后依据时间顺序获取人脸图像序列。
3.根据权利要求1所述的基于深度学习的动态人脸情绪识别方法,其特征在于,所述S2具体包括如下步骤:S21、对图像进行缩放处理以及灰度化处理,并将所有处理后图像进行汇总、形成训练集;
S22、采用VGG卷积神经网络,通过卷积层、池化层、全连接层对所述训练集中的图像进行特征提取;
S23、使用softmax函数作为激活函数产生非线性的表示,将全部图像特征向量的值约束在[0,1]中。
4.根据权利要求3所述的基于深度学习的动态人脸情绪识别方法,其特征在于,S21中所述对图像进行缩放处理以及灰度化处理,具体包括如下步骤:对所述人脸图像序列中的每一张图像进行缩放处理以及灰度化处理,使图像转化为标准的28×28的灰度图像。
5.根据权利要求3所述的基于深度学习的动态人脸情绪识别方法,其特征在于,所述S3具体包括如下步骤:S31、将多个图像特征向量依照时间先后顺序输入LSTM循环神经网络;
S32、将LSTM循环神经网络的输出特征向量序列,进行特征加权融合,得出最终的分类结果。
6.根据权利要求5所述的基于深度学习的动态人脸情绪识别方法,其特征在于,所述S32具体包括如下步骤:设LSTM循环神经网络输出的特征向量序列为vi,i=1,2,…,n,n为序列的长度,则加权融合后的特征向量为其中,加权系数 max(vi)为向量vi的最大分量,max_
2(vi)为向量vi的次大分量,b=0.05。