[发明专利]一种基于深度学习的微表情识别方法在审

专利信息
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
【权利要求书】:

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。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

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。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top