[发明专利]一种基于局部并行深度神经网络的表情识别方法

权利要求书

1.一种基于局部并行深度神经网络的表情识别方法，其特征在于：首先建立深度神经网络，再通过稀疏自编码器进行训练，然后对特征图进行池化，从而使特征图具有平移不变性，最后通过与表情相关的6个并行的5层网络得到最终的分类结果。

2.根据权利要求1所述的基于局部并行深度神经网络的表情识别方法，其特征在于：所述通过稀疏自编码器进行训练之前，将人脸头像利用Adaboost方法定位双眼位置，自动裁剪出人脸图像，裁剪出人脸图像200张，数据来自于CK人脸表情库，再归一化到48×48大小的灰度图像，再在每一张人脸上随机选取30个14×14的图像块、30个18×18的图像块，2个尺度的图像块各约6000张，分别用来训练2个稀疏自编码器，提取169个14×14和256个18×18的卷积核；

使用得到的稀疏自编码器的中间层神经元的连接权值作为卷积核，对整个图像进行卷积操作；

f¹(x)＝σ(conv(W，x)+α)

其中conv(·)为卷积操作，σ(·)表示对整个图像操作，W为中间层神经元的连接权值，α为偏置系数；

对特征图进行池化(max-pooling)操作，先将特征图划为L个区域q_m(尽量等分)：

卷积特征提取方法在每个卷积核的特征图上得到4×4个池化操作后的特征，这样，一共就得到16×(169+256)＝6800个特征；

将这些特征作为训练样本，利用本发明提出的并行网络进行训练，训练时，每一个网络分为5层，第1层6800个神经元，第2层1000个神经元，第3层100个神经元，第4层10个神经元，第5层1个神经元，除最后一层的参数外，都利用SAE逐层预训练，对6类样本对应的网络使用相同的方法构建6个并行的网络，最后用整体的损失函数用BP算法进行微调。