[发明专利]一种基于SSF-IL-CNN的三维人脸表情识别方法

权利要求书

1.一种基于SSF-IL-CNN的三维人脸表情识别方法，其特征在于，所述SSF-IL-CNN的具体结构为：两个输入分别为三维人脸对应的深度图像和纹理图像的CNN卷积模块，两个CNN卷积模块的输出依次经过特征融合层、全链接层，其中CNN卷积模块包括若干卷积层和池化层的组合；

该识别方法包括以下步骤：

步骤1，生成三维人脸对应的深度图像和纹理图像；

步骤2，分别对步骤1中的深度图像和纹理图像进行归一化处理；

步骤3，基于归一化后的深度图像和纹理图像，进行字典学习，得到字典矩阵和稀疏表示；其中，步骤3中字典学习的目标函数为：

其中，Y为输入数据，D为字典矩阵，α为稀疏表示，‖·‖₁表示L1范数操作，‖·‖₂表示L2范数操作，μ为大于0的稀疏正则化系数；

步骤4，采用字典矩阵初始化卷积核的结构参数；

步骤5，采用Island Loss函数搭建SSF-IL-CNN模型的损失函数；

步骤6，更新卷积核强度参数，完成SSF-IL-CNN模型的训练；

步骤7，根据步骤6中训练完成的SSF-IL-CNN模型，进行三维人脸表情识别。

2.根据如权利要求1所述的一种基于SSF-IL-CNN的三维人脸表情识别方法，其特征在于，步骤1中对三维人脸进行人脸切割和姿态矫正的预处理后，生成三维人脸对应的深度图像和纹理图像。

3.根据如权利要求1所述的一种基于SSF-IL-CNN的三维人脸表情识别方法，其特征在于，步骤3中字典学习的次数由卷积层的层数决定，每次学习的字典矩阵大小由对应卷积层卷积核的个数决定。

4.根据如权利要求1所述的一种基于SSF-IL-CNN的三维人脸表情识别方法，其特征在于，步骤5中损失函数为：

L_sSF-I＝L_s+βL_IL

其中，L_S为Softmax函数，N为用于训练的人脸样本总数，C为人脸样本的表情个数，y_i为第i个人脸样本的真实表情，y_i∈{1,2,…,C}，表示人脸样本预测表情值等于真实表情的概率，表示卷积神经网络预测人脸表情为k的概率，k＝1,2,…,C；L_IL为Island Loss函数，为真实表情为y_i的所有卷积特征的均值，‖·‖₂表示向量的二范数，c_k和c_j分别表示第k类和第j类深度特征的中心，X_i是真实表情为y_i的样本对应的卷积特征，σ为调节参数。

5.根据如权利要求4所述的一种基于SSF-IL-CNN的三维人脸表情识别方法，其特征在于，步骤6中将弹性网络正则化加入损失函数：L′＝L_SSF-I+λ₁|t|₁+λ₂|t|₂，其中，L′为最终损失函数，λ₁和λ₂分别为L1正则化和L2正则化的系数，t为卷积核强度参数。