[发明专利]一种基于深度学习的微表情识别方法在审
申请号: | 202010091871.4 | 申请日: | 2020-02-13 |
公开(公告)号: | CN111353390A | 公开(公告)日: | 2020-06-30 |
发明(设计)人: | 王峰;相虎生;牛锦;宋剑桥;贾海蓉;马军辉;师泽州;相宸卓;王飞 | 申请(专利权)人: | 道和安邦(天津)安防科技有限公司 |
主分类号: | G06K9/00 | 分类号: | G06K9/00;G06N3/04 |
代理公司: | 北京兆君联合知识产权代理事务所(普通合伙) 11333 | 代理人: | 郑学成 |
地址: | 300300 天津市东丽区平*** | 国省代码: | 天津;12 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 基于 深度 学习 表情 识别 方法 | ||
1.一种基于深度学习的微表情识别方法,其特征在于,包括以下几个步骤:
步骤1:对含有表情动作的视频数据裁剪,裁剪后的视频要求统一时长为3秒,将裁剪好的视频分帧,提取表情开始到结束的表情图片序列;
步骤2:对提取的表情序列进行人脸对齐,人脸裁剪,以及归一化,均衡化,白化等预处理;
步骤3:将得到的数据集进行数据增强的操作,扩充数据集的大小;
步骤4:搭建神经网络模型;
步骤5:将所有人脸表情数据分成训练集和测试集,使用训练集经过网络进行模型训练;
步骤6:使用测试集对模型进行测试,输出识别准确率,识别时间,误差等信息,当识别率达到要求,选择当前模型。
2.根据权利要求1所述的一种基于深度学习的微表情识别方法,其特征在于,所述步骤4中搭建神经网络模型还包括如下操作:
(1):建立包括两层3DCNN和两层convlstm的卷积神经网络结构的卷积神经网络模型:卷积神经网络结构包含输入层、卷积层、最大池化层、全连接层、convlstm层和最后的Softmax分类层以及输出层;
(2):将两层3DCNN卷积神经网络结构串联在一起,得到包括两层3DCNN的卷积神经网络结构的卷积神经网络模型,即卷积神经网络模型包括两路卷积神经网络结构,每个3DCNN由32个3*3*15的卷积核构成;
(3):在两层3DCNN之后串联两层convlstm结构,每层由40个lstm并联得到;最后将之前得到的特征向量接入Softmax层进行分类;将分类结果连接最后的输出层。
3.根据权利要求1所述的一种基于深度学习的微表情识别方法,其特征在于,所述步骤5中将所有人脸表情数据按照80%与20%的比例分成训练集和测试集,以便对网络模型进行训练和测试。
4.根据权利要求1所述的一种基于深度学习的微表情识别方法,其特征在于,所述步骤6中还包括如下操作:
(1):设置网络的超参数,设置超参数可以使网络更加快速地收敛,从而缩短训练时间。
(2):利用训练集中的训练样本对神经网络进行训练,不断优化神经网络中各个参数,使之不断收敛到最优值,从而得到所要的模型
(3):利用测试集中测试样本对得到的模型进行测试,得到上一步模型的准确率,识别时间,误差等结果。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于道和安邦(天津)安防科技有限公司,未经道和安邦(天津)安防科技有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202010091871.4/1.html,转载请声明来源钻瓜专利网。