欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2019102420664
申请人: 南京邮电大学
专利类型:发明专利
专利状态:未下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

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。