[发明专利]一种基于多视图卷积神经网络的表情识别方法

说明书

本发明涉及一种基于多视图卷积神经网络的表情识别方法，包括步骤：根据表情类别构造多个视图；采用每个视图的训练样本集训练卷积神经网络，获得视图特征抽取模型。根据视图抽取模型抽取测试样本的特征向量，将测试样本在所有视图下的特征向量串接成一个高维稀疏特征向量，然后进行特征选择，获得低维特征向量；采用表情分类模型对低维特征向量分类，获得表情类别。本发明的效果是提高了表情识别的准确率，每个视图特征抽取模型可并行计算，能提高识别速度。

技术领域

本发明涉及一种基于多视图卷积神经网络的表情识别方法，属于医疗健康和模式识别技术领域。

背景技术

情感状态体现了心理的健康状态，目前很多人都面临心理压力，或多或少会出现一些心理情感问题，表现为烦躁，焦虑，抑郁等，需要及时引导，但是这些表现出来的信号，对于心理学知识缺乏的人一般很难觉察，因此借助信息技术，自动监测并提醒是很重要的。人脸表情包含了丰富的情感信息，是我们理解情感的重要途径，因此通过人脸表情分析就可以实现人类的情感状态判别，进而判断人类的情感健康情况。

发明内容

本发明要解决的技术问题是：目前表情识别的准确率不高。

本发明涉及一种基于多视图卷积神经网络的表情识别方法，其特征在于该方法包括以下步骤：

[1]根据每个视图特征抽取模型抽取测试样本（输入人脸图像）在该视图下的特征向量；

[2]将测试样本在所有视图下的特征向量串接成一个高维稀疏特征向量；

[3]根据特征选择模型对高维稀疏特征向量进行特征选择，获得低维特征向量；

[4]采用表情分类模型对低维特征向量分类，获得测试样本的表情类别。

步骤[1] 根据每个视图特征抽取模型抽取测试样本在该视图下的特征向量，其包括视图定义和视图特征抽取模型的实现。

视图定义为表情类别的任意组合，每个组合就是一个视图。

视图特征抽取模型的实现是在训练阶段完成的，包括以下步骤：

(a)构造每个视图的训练样本集，其由该视图所包含的所有类的训练样本构成

(b)利用每个视图的训练样本集训练卷积神经网络，获得该视图的视图特征抽取模型，它由训练好的卷积神经网络中的特征提取部分组成。

然后用训练好的视图特征抽取模型抽取测试样本在该视图下的特征向量。

步骤[2] 将测试样本在所有视图下的特征向量串接成一个高维稀疏特征向量。

步骤[3] 根据特征选择模型对高维稀疏特征向量进行特征选择，获得低维特征向量，其中特征选择模型是在训练阶段完成的，包括以下步骤：

(a)构造每个视图的训练样本集

(b)利用每个视图抽取模型抽取每个训练样本的特征向量

(c)将每个训练样本在所有视图下的特征向量串接成一个高维稀疏特征向量

(d)采用特征选择方法对所有训练样本的高维特征向量进行特征选择，获得低维特征向量和特征选择模型。

采用特征选择方法对所有训练样本的稀疏特征向量进行特征选择时，需要预先训练，获得特征选择模型。

步骤[4] 采用表情分类模型对低维特征向量分类，获得测试样本的表情类别。

分类模型是通过大量的训练样本训练机器学习算法获得，而每个训练样本则由人脸图像和其对应的表情类别构成。训练样本的特征向量是经过步骤[3]特征选择后的特征向量。

有益效果