[发明专利]一种训练识别面部表情的方法和装置

权利要求书

1.一种训练识别面部表情的方法，其特征在于，包括：

获取训练数据，其中，所述训练数据，是N类面部表情中一类面部表情的图像数据，N是大于1的整数；

利用所述训练数据训练第一网络模型达到预设识别面部表情的精度，从而获得优化的第一网络模型；

其中，所述第一网络模型，包括特定结构的VGG19网络模型及依次连接在所述特定结构的VGG19网络模型后的一层全连接层、一层Dropout层和一层Softmax层；所述特定结构的VGG19网络模型，包括VGG19网络模型的输入层、池化层和卷积层；所述Softmax层，包括激活函数为Softmax函数的N个节点的全连接层；在训练时所述第一网络模型根据预设参数开始训练。

2.根据权利要求1所述的方法，其特征在于，所述利用所述训练数据训练第一网络模型达到预设识别面部表情的精度，从而获得优化的第一网络模型，包括：

从所述训练数据中获取训练批的批训练数据；

将所述批训练数据输入所述第一网络模型中获取批训练结果；

判断所述批训练结果是否满足预设识别面部表情的精度；

若否，则根据所述批训练结果调整所述第一网络模型的权重值和偏移量，并继续上述步骤；

若是，则获得所述优化的第一网络模型。

3.根据权利要求2所述的方法，其特征在于，所述判断所述批训练结果是否满足预设识别面部表情的精度，包括：

通过损失函数判断所述批训练结果是否满足预设识别面部表情的精度。

4.根据权利要求3所述的方法，其特征在于，所述损失函数为交叉熵损失函数：

其中，

y_i是批训练结果值；

是预设结果值；

i是训练次数。

5.根据权利要求2所述的方法，其特征在于，所述训练批为64；所述输入层的输入图像分辨率为224像素×224像素。

6.根据权利要求1所述的方法，其特征在于，所述预设参数包括：

优化函数采用自适应学习率的Adam；且

学习率的初始值等于0.0001。

7.根据权利要求1所述的方法，其特征在于，所述获取训练数据，包括：

获取多个包括面部表情的静态图像数据；

从所述静态图像数据中提取全部面部表情的数据，且每个面部表情生成一个第一图像数据；

将所述第一图像数据的面部表情进行缩放处理，获取包括预设尺寸面部表情的第二图像数据；

根据预设条件过滤所述第二图像数据，获取第三图像数据；对所述第三图像数据进行筛选和分类，获取所述训练数据。

8.一种训练识别面部表情的装置，其特征在于，包括：

获取训练数据单元，用于获取训练数据，其中，所述训练数据，是N类面部表情中一类面部表情的图像数据，N是大于1的整数；

训练单元，用于利用所述训练数据训练第一网络模型达到预设识别面部表情的精度，从而获得优化的第一网络模型；

其中，所述第一网络模型，包括特定结构的VGG19网络模型及依次连接在所述特定结构的VGG19网络模型后的一层全连接层、一层Dropout层和一层Softmax层；所述特定结构的VGG19网络模型，包括VGG19网络模型的输入层、池化层和卷积层；所述Softmax层，包括激活函数为Softmax函数的N个节点的全连接层；在训练时所述第一网络模型根据预设参数开始训练。

9.一种识别面部表情的方法，其特征在于，包括：

获取待识别图像，其中，所述待识别图像，是包括面部表情的图像数据；

将所述待识别图像输入优化的第一网络模型获取所述待识别图像识别结果；

其中，所述优化的第一网络模型是采用如权利要求1-7任一项所述的方法生成的。

10.一种识别面部表情的装置，其特征在于，包括：

获取待识别图像单元，用于获取待识别图像，其中，所述待识别图像，是包括面部表情的图像数据；

输出结果单元，用于将所述待识别图像输入优化的第一网络模型获取所述待识别图像识别结果；

其中，所述优化的第一网络模型是采用如权利要求1-7任一项所述的方法生成的。