[发明专利]基于生成对抗网络数据增强的人脸表情识别方法和装置

权利要求书

1.一种基于生成对抗网络数据增强的人脸表情识别方法，其特征在于，所述方法包括：

获取人脸图像数据集作为训练生成对抗网络的训练数据，对所述训练数据进行预处理；

根据训练目标，构造CycleGAN模型与卷积神经网络模型；

将所述CycleGAN模型的损失函数、所述卷积神经网络模型的损失函数和所述训练目标结合；

对所述CycleGAN模型进行训练，且使用训练完成的所述CycleGAN模型进行数据增强；

对所述卷积神经网络模型进行训练，且使用训练完成的卷积神经网络分类器在测试集上验证所述卷积神经网络分类器的准确率；

其中，所述CycleGAN模型用于进行数据增强，所述卷积神经网络模型用于进行数据分类。

2.根据权利要求1所述的方法，其特征在于，所述获取人脸图像数据集作为训练生成对抗网络的训练数据，包括：获取预先标注的人脸表情图像数据。

3.根据权利要求1所述的方法，其特征在于，对所述训练数据进行预处理，包括：判断获取的多张所述人脸图像是否具有相同尺寸；

当所述人脸图像的尺寸不一致时，则对不一致的所述人脸图像按照预设的尺寸对所述人脸图像进行裁剪，且调整裁剪后的所述人脸图像的长宽比。

4.根据权利要求1所述的方法，其特征在于，还包括：对所述CycleGAN模型的损失函数进行定义，以及对所述卷积神经网络模型的损失函数进行定义。

5.根据权利要求1所述的方法，其特征在于，对所述CycleGAN模型进行训练包括：初始化各层网络的参数，预设时间段内不间断地输入训练样本，根据所述损失函数计算出网络的损失值；

通过反向传播计算出所述各层网络的参数的梯度，通过Adam优化算法对所述各层网络的参数进行优化。

6.根据权利要求1所述的方法，其特征在于，所述使用训练完成的所述CycleGAN模型进行数据增强，包括：使用所述CycleGAN模型将无表情的图像转化成预设表情的图像。

7.根据权利要求4-6任一项所述的方法，其特征在于，所述CycleGAN模型由两个生成器和两个判别器组成。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现所述权利要求1-7中任一项所述方法的步骤。

9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现所述权利要求1-7中任一项所述方法的步骤。

10.一种基于生成对抗网络数据增强的人脸表情识别装置，其特征在于，所述装置包括：

获取与预处理模块，用于获取人脸图像数据集作为训练生成对抗网络的训练数据，对所述训练数据进行预处理；

构造模块，用于根据训练目标，构造CycleGAN模型与卷积神经网络模型；

结合模块，用于将CycleGAN模型的损失函数、卷积神经网络模型的损失函数和训练目标结合；

训练与增强模块，用于对所述CycleGAN模型进行训练，且使用训练完成的所述CycleGAN模型进行数据增强；

训练与验证模块，用于对所述卷积神经网络模型进行训练，且使用训练完成的卷积神经网络分类器在测试集上验证所述卷积神经网络分类器的准确率；

其中，所述训练与增强模块中的CycleGAN模型用于进行数据增强，所述训练与验证模块中的卷积神经网络模型用于进行数据分类。