[发明专利]一种基于深度学习的微表情识别方法

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。