[发明专利]基于深度学习的人脸情绪识别方法、装置、设备及介质

说明书

本发明公开了一种基于深度学习的人脸情绪识别方法、装置、设备及介质，所述方法包括：将待识别图像输入预设的深度学习模型中，使用深度学习模型中的输入层对待识别图像进行通道数据提取，得到待识别图像的人脸图像数据，并使用卷积层的第一卷积核对人脸图像数据进行深度卷积计算，得到特征数据，以及使用卷积层的第二卷积核对特征数据进行点卷积计算，得到待识别图像的人脸特征，最后，使用全连接层对人脸特征进行分类回归，得到待识别图像的的情绪状态。本发明实施例通过将传统的深度学习算法中的标准的卷积运算分解成一个深度卷积的计算和一个点卷积的计算，减少了深度学习模型的计算量，提高情绪识别模型的运算速率。

技术领域

本发明涉及生物识别技术领域，尤其涉及一种基于深度学习的人脸情绪识别方法、装置、设备及介质。

背景技术

深度学习是人工智能领域中当前比较热门的应用领域，在语音识别、图像识别和自然语言处理方面都有比较好的效果，而人脸情绪的识别是研究如何使计算机从静态图像或者视频序列中获取人脸表情并加以辨别的技术，对于人机交互与情感计算的研究有重要的意义，目前，一般会使用深度学习算法对情绪识别模型进行训练，例如，卷积神经网络和循环神经网络等深度学习算法，通过对人脸样本图片进行深度学习，构建情绪识别模型用于对人物的情绪进行检测。

如今，越来越多的应用需要在移动端对人物的情绪进行检测，但是，通过深度学习算法构建的情绪识别模型的模型运算比较复杂，并且在人物情绪的检测过程中数据运算量大，而移动端的运算能力有限，无法进行大量数据的运算，从而导致移动端不能很好地支持情绪识别模型的模型运算。

发明内容

本发明实施例中提供一种基于深度学习的人脸识别方法、装置、设备及介质，以解决目前通过深度学习算法构建的情绪识别模型的运算量大的问题。

一种基于深度学习的人脸情绪识别方法，包括：

从预设的人脸图像数据集中获取人脸图像；

按照预设的处理方式对所述人脸图像进行预处理，得到待识别图像；

将所述待识别图像输入预设的深度学习模型中，其中，所述预设的深度学习模型包括输入层、卷积层和全连接层，所述卷积层包括第一卷积核和第二卷积核；

使用所述输入层对所述待识别图像进行通道数据提取，得到所述待识别图像的人脸图像数据；

将所述人脸图像数据传递给所述卷积层，并使用所述卷积层的所述第一卷积核对所述人脸图像数据进行深度卷积计算，得到特征数据，其中，所述第一卷积核的结构为H×W×1×M，H、W和M均为正整数；

使用所述卷积层的所述第二卷积核对所述特征数据进行点卷积计算，得到所述待识别图像的人脸特征，其中，所述第二卷积核的结构为1×1×N×M，N为正整数；

使用所述全连接层对所述人脸特征进行分类回归，得到所述待识别图像的识别结果，其中，所述识别结果包括所述待识别图像中人脸的情绪状态。

一种基于深度学习的人脸情绪识别装置，包括：

图像获取模块，用于从预设的人脸图像数据集中获取人脸图像；

图像处理模块，用于按照预设的处理方式对所述人脸图像进行预处理，得到待识别图像；

图像输入模块，用于将所述待识别图像输入预设的深度学习模型中，其中，所述预设的深度学习模型包括输入层、卷积层和全连接层，所述卷积层包括第一卷积核和第二卷积核；

数据提取模块，用于使用所述输入层对所述待识别图像进行通道数据提取，得到所述待识别图像的人脸图像数据；