[发明专利]一种老人面部表情的情感识别模型的训练方法及装置

权利要求书

1.一种老人面部表情的情感识别模型的训练方法，其特征在于，所述方法包括：

1)、获取老人脸图像；

2)、针对每一张老人脸图像，进行一阶差分和二阶差分处理；再利用预设的小波包尺度函数获取小波包基函数，并根据所述小波包尺度函数以及小波包基函数，利用卷积算法，获取所述老人脸图像的小波包子带、一阶差分图像小波包子带和二阶差分图像的小波包子带；

3)、对各个小波包子带的小波包系数进行统计处理，获取对应于各张老人脸图像的小波包子带的所对应的小波包系数，形成目标特征向量，其中，特征向量包括：小波包系数的最小值、最大值、均值、方差以及中位数；

4)、将目标特征项向量以及对应的表情标签值输入到预先构建的卷积神经网络模型中，训练所述卷积神经网络模型至收敛，得到训练后的老人面部表情的情感识别模型，其中，所述卷积神经网络包括：若干层卷积层、池化层、全连接层以及输出层。

2.根据权利要求1所述的一种老人面部表情的情感识别模型的训练方法，其特征在于，所述方法还包括：

获取待识别老人脸图像，并利用训练后的老人面部表情的情感识别模型识别所述待识别老人脸图像。

3.根据权利要求1所述的一种老人面部表情的情感识别模型的训练方法，其特征在于，所述步骤2)，包括：

21)、针对每一张老人脸图像，进行一阶差分和二阶差分处理，得到一阶差分图像和二阶差分图像，针对老人脸图像、一阶差分图像和二阶差分图像中的每一个图像，根据预设的小波尺度函数，利用公式，获取对应的低通滤波器系数，其中，

h_n为低通滤波器系数；∫为不定积分；

为小波尺度函数；n∈k；

22)、根据所述低通滤波器与对应的高通滤波器的正交关系，获取的高通滤波器系数为：其中，g(n)为高通滤波器系数；

23)、利用公式，获取小波基函数，其中，

ψ(t)为小波基函数；为尺度函数；

24)、根据预先构建的小波包分解树图的结构，将第一次小波包分解的过程作为当前卷积过程；

25)、根据所述低通滤波器系数、高通滤波器系数以及老人脸图像中的行数据，利用卷积算法将当前次卷积的老人脸图像分解为第一级平滑逼近和细节逼近；

26)、再利用对行变换后图像的列数据与低通滤波器和高通滤波器进行卷积运算，得到第二级离散平滑逼近和离散细节逼近，分别为图像的低频分量和图像在水平方向、垂直方向和对角线上的高频细节；

27)、将当前次卷积得到的第二级离散平滑逼近以及第二级离散细节逼近分别作为老人脸原始图像中的行数据；将当前卷积过程的下一卷积过程作为当前卷积过程，并返回执行步骤25)，直至最后一个卷积过程；并将最后一次卷积中获取的第二级离散平滑逼近和离散细节逼近作为小波包子带。

4.根据权利要求1所述的一种老人面部表情的情感识别模型的训练方法，其特征在于，所述步骤3)，包括：

对所述原始图像进行差分处理，再得到原始图像和差分处理后图像的小波包系数，并对老人脸图像的原始信号以及差分处理后的小波包系数进行统计处理，得到统计结果，将所述统计结果进行组合得到对应于各张老人脸图像的小波包子带的特征向量；

利用降维算法将对应于各张老人脸图像的小波包子带的特征向量进行降维处理，得到目标特征向量，其中，所述降维算法包括：主成成分分析法。

5.根据权利要求1所述的一种老人面部表情的情感识别模型的训练方法，其特征在于，所述卷积神经网络的构建过程包括：

构建依次由第一卷积层、池化层、第二卷积层、池化层以及全连接层的卷积神经网络，其中，

所述第一卷积层的卷积核尺寸为5*5、有32个卷积核、步长为1的卷积层；

池化层的卷积核尺寸为2*2；

第二卷积层的卷积核尺寸为5*5、有64个卷积核、步长为1的卷积层。