[发明专利]基于卷积神经网络的人脸表情识别方法

权利要求书

1.基于卷积神经网络的人脸表情识别方法，其特征在于，包括以下步骤：

步骤1、从现有的人脸表情库中获取人脸表情图像数据集，进行数据集预处理；

步骤2、改进型卷积神经网络的构建：在卷积神经网络中引入两个连续的卷积层，并使用小尺度的卷积核进行特征提取，构建出改进型卷积神经网络；

步骤3、改进型卷积神经网络的权值优化：将卷积神经网络和SOM神经网络级联组成预训练网络，通过所述卷积神经网络对步骤1中预处理过的数据集进行特征提取，并将提取的特征作为所述SOM神经网络的学习样本，利用所述学习样本对所述SOM神经网络进行训练，得到所述改进型卷积神经网络的权值初始值；

步骤4、改进型卷积神经网络的训练：通过输入信号的前向传播计算每个节点的值，比较所述权值初始值与期望值，计算出误差，然后进行误差的反向传播，由输出层开始逐层计算各层神经元的输出误差，根据误差梯度下降法来调节各层的权值和阈值，使修改后的改进型卷积神经网络的最终输出能接近期望值，所述改进型卷积神经网络的输出以矩阵形式存在；

步骤5、表情分类识别：在所述改进型卷积神经网络的最后一层使用分类器进行人脸表情图像的分类识别，在进行人脸表情图像的分类识别前先对分类器进行有监督的学习以获取分类能力。

2.如权利要求1所述的基于卷积神经网络的人脸表情识别方法，其特征在于，步骤1进一步包括以下步骤：

①图像灰度化：将三维彩色图像转换为灰度值表示的二维灰度图像；

②图像归一化：将所述二维灰度图像进行归一化处理，得到96×96像素的图像。

3.如权利要求1所述的基于卷积神经网络的人脸表情识别方法，其特征在于，在步骤2中，

将经步骤1处理后的图像输入到所述改进型卷积神经网络，所述改进型卷积神经网络中的多个卷积层和池化层自动地进行特征提取，其中，常规卷积神经网络中的两个池化层之间只有一层卷积层，第l层降采样层的第j个特征图表示为：

当采用连续两个卷积层时，前一卷积层得到的特征图输出被再次进行卷积操作，从而得到的输出特征图的表达式为:

4.如权利要求1所述的基于卷积神经网络的人脸表情识别方法，其特征在于，步骤3进一步包括以下步骤：

所述卷积神经网络、SOM神经网络级联组成预训练网络，将有标记的人脸表情图像样本作为所述卷积神经网络的输入，提取所述样本的特征并将所述样本的特征作为所述SOM神经网络的学习样本，然后利用所述学习样本对所述SOM神经网络进行训练，然后对有标记的人脸表情图像进行对比，计算出正确率r，获得最优样本分布，所述最优样本分布作为所述SOM神经网络的输出；

将所述SOM神经网络的输出输入到步骤2中的改进型卷积神经网络的全连接层，然后训练所述改进型卷积神经网络，并验证样本的错误率，当错误率最小时，所述改进型卷积神经网络的模型最佳，并以此最佳模型下的网络权值参数再次初始化所述改进型卷积神经网络。

5.如权利要求1所述的基于卷积神经网络的人脸表情识别方法，其特征在于，步骤4进一步包括以下步骤：

1)前向传播阶段：样本x是训练样本集中的一个样本，记y为对应的类别标签，将x从输入层输入到所述改进型卷积神经网络中，然后通过当前层的激活函数，计算出当前层的输出，在所述改进型卷积神经网络中，除最后一层外，每一层的输出都作为下一层的输入，一层一层传递下去,最后得到Softmax层的输出其中，是一个7维向量，7维向量中每一维向量代表着x成为对应类别的概率；

2)误差传播阶段：计算Softmax层的输出与给定样本的类别标签向量y的误差，并使用最小化均方误差代价函数的方法调整权值参数。

6.如权利要求1所述的基于卷积神经网络的人脸表情识别方法，其特征在于，步骤5进一步包括以下步骤：

当给定输入样本后，每一个神经元输出一个取值在0到1之间的数值，所述数值代表了输入样本属于该类的概率，选取输出值最大的神经元所对应的类别作为分类的结果。

7.如权利要求1所述的基于卷积神经网络的人脸表情识别方法，其特征在于，所述分类器为Softmax分类器。