[发明专利]一种基于深度学习的人脸状态识别方法及其装置

说明书

本发明公开了一种基于深度学习的人脸状态识别方法及其装置，其方法包括：采集被识别人的脸部图像并记录采集时间，使用人脸识别算法对被识别人的图像进行处理，输出人脸识别结果。将人脸识别结果输入到预训练的深度神经网络和人脸特征点模型进行处理，得到表情识别结果和疲劳识别结果；其表情识别结果包括表情类型及其预测值。将表情识别结果和对应的采集时间作为表情数据，依序记录到表情数据库中；将疲劳数据也按照时间记录到疲劳数据库中。从表情和疲劳数据库中获取多个数据并进行分析，从而得到对被识别人的状态识别结果。本发明能够高效地感知和分析被识别人的情绪和疲劳程度，可广泛应用于疲劳驾驶检测、机器人等自动化领域。

技术领域

本发明属于图像识别处理技术领域，涉及一种基于深度学习的人脸状态识别方法及装置。

背景技术

情绪识别是指研究一个自动、高效、准确的系统来识别人脸表情的状态，进而通过人脸表情信息了解人的情绪状态，比如高兴、悲伤、惊讶、愤怒等。该研究在人机交互、人工智能等方面有着重要的应用价值，是当前计算机视觉、模式识别、情感计算等领域的重要课题之一。

在需要进行人机交互的技术领域，尤其是机器人技术方面，通常需要能够对人的情感进行分析，以进行有效的人机交互，为用户的交互体验带来感官上的改善，但现有的人机交互技术缺乏有效的情感分析和效识别人的情绪的技术手段。比如，在预防疲劳驾驶等交通事故方面，现有的基于计算机视觉的监测方法可以在不影响正常驾驶的情况下，利用驾驶员的面部特征进行疲劳状态的判断。而基于图像处理的疲劳监测方法，大多只获取到驾驶员人眼以下位置，并没有针对人眼等局部特征信息进一步提取特征点。因此，如何有效地提取出面部特征，获得最大化的特征信息，从而建立疲劳和情绪检测模型，准确分析出驾驶员的驾驶状态，是解决驾驶员疲劳驾驶，降低交通事故发生率的一个主要研究方向。

发明内容

本发明的目的在于克服现有技术的缺陷，提供一种基于深度学习的人脸状态识别方法及装置。本发明可有效地提取出被识别人的面部特征，获得最大化的特征信息，从而建立情绪检测模型。该方法应用在疲劳驾驶检测上，能够准确分析出驾驶员的驾驶状态，进而采取措施来降低交通事故发生率。

为了解决上述技术问题，本发明采用以下技术方案。

本发明的一种基于深度学习的人脸状态识别方法，包括以下步骤：

步骤一.采集被识别人的脸部图像并记录采集时间，使用人脸识别算法对被识别人的图像进行处理，输出人脸识别结果；

步骤二.将人脸识别结果输入到预训练的深度神经网络和人脸特征点模型进行处理，得到表情识别结果和疲劳识别结果；所述的表情识别结果包括表情类型及其预测值；

步骤三.将表情识别结果和对应的采集时间作为表情数据，依序记录到表情数据库中；将疲劳数据也按照时间记录到疲劳数据库中；

步骤四.从表情和疲劳数据库中获取多个数据并进行分析，从而得到对被识别人的状态识别结果；

所述的深度神经网络配置为：

第一层为输入层，输入图片参数为L*W*H，L为图片长度，W为图片宽度，H为图片通道数；

第二层为第一层卷积层，卷积核大小为k1*k1，步长为s1，填充尺寸为p1，深度为D1；根据卷积公式：

得到输出的特征张量为Lout*Wout*D1；

第三层为第一层池化层，池化层参数为L1*L1，步长为sd1，其中L1的大小设置为2或3。所得结果记为f(x)；