[发明专利]微表情识别方法、装置、设备和存储介质

权利要求书

1.一种微表情识别方法，其特征在于，所述方法包括：

获取待处理的三维微表情图像集合，所述三维微表情图像集合包含多张三维微表情图像以及对应的微表情标签，所述微表情标签是指每张三维微表情图像对应的微表情概率；

将所述待处理的三维微表情图像集合划分为训练集以及测试集；

将所述训练集输入至预设的多组超参数下的卷积神经网络，训练所述多组超参数下的卷积神经网络；

通过所述测试集以及损失函数计算所述多组超参数下的卷积神经网络的误差，将误差最小的卷积神经网络作为目标卷积神经网络；

接收客户端发送的三维微表情图像，根据所述目标卷积神经网络识别所述三维微表情图像的微表情标签。

2.根据权利要求1所述的方法，其特征在于，所述根据所述目标卷积神经网络识别所述三维微表情图像的微表情标签，包括：

将所述三维微表情图像转换成对应的三维矩阵，得到输入矩阵；

将所述输入矩阵输入至所述目标卷积神经网络；

通过目标卷积神经网络的Softmax归一化指数函数，激活函数，卷积层以及池化层计算三维微表情图像的微表情对应的微表情标签。

3.根据权利要求1所述的方法，其特征在于，所述将所述训练集输入至预设的多组超参数下的卷积神经网络，训练所述多组超参数下的卷积神经网，包括：

将所述训练集以及对应的微表情标签输入至多组参数下的初始卷积神经网络模型；

将所述初始卷积神经网络模型通过训练，代表根据所述目标神经网络模型神经网络层的多层感知器中第n-1层的输出训练所述目标神经网络模型神经网络层的多层感知器中第n层中第k个神经元得到的权值，表示相应的偏置，f_iⁿ表示第i个训练集输入至所述初始神经网络后在所述初始卷积神经网络模型的第n层的输出，i、j以及k为任意正整数，n为自然数，当n为所述初始卷积神经网络模型的最后一层时，f_iⁿ是指所述初始卷积神经网络模型的输出。

4.根据权利要求1所述的方法，其特征在于，所述通过所述测试集以及损失函数计算所述多组超参数下的卷积神经网络的误差，将误差最小的卷积神经网络作为目标卷积神经网络，包括：

将所述测试集输入所述多组超参数下的卷积神经网络，得到所述多组超参数下的卷积神经网络的输出标签；

通过L[(Y,f(X)]＝[Y-f(X)]²计算所述多组超参数下的卷积神经网络的误差，其中Y为所述训练集中的三维微表情图像对应的微表情标签，f(X)为所述多组超参数下的卷积神经网络的输出标签；

选取所述多组超参数下的卷积神经网络中误差最小的卷积神经网络作为目标卷积神经网络。

5.根据权利要求1所述的方法，其特征在于，所述将所述训练集输入至预设的多组超参数下的卷积神经网络，训练所述多组超参数下的卷积神经网络之前，所述方法还包括：

获取针对所述多组超参数下的卷积神经网络模型输出的反馈信息；

根据所述反馈信息对所述卷积神经网络模型进行优化，以排除所述卷积神经网络模型的故障；

若所述神经网络模型故障，则采集具有多个含义的网络表情库，将所述三维微表情图像以及对应的微表情标签录入至所述网络表情库；

通过所述网络表情库中的所述三维微表情图像以及对应的微表情标签，对所述三维微表情图像进行特征提取，获得所述三维微表情图像的领域特征；

获取所述待训练集数据的领域特征，以训练所述多组超参数下的卷积神经网络。

6.根据权利要求1所述的方法，其特征在于，所述接收客户端发送的三维微表情图像，根据所述目标卷积神经网络识别所述三维微表情图像的微表情标签之后，所述方法还包括：

获取所述客户端发送的三维微表情图像对应的微表情；

将所述客户端发送的三维微表情图像以及对应的微表情调整所述目标卷积神经网络。