[发明专利]一种基于轻量化卷积神经网络的表情识别方法

权利要求书

1.一种基于轻量化卷积神经网络的表情识别方法，其特征在于，采用计算量减少参数N确定轻量化卷积网络模型的参数，步骤包括：

S1：搭建并训练轻量化卷积网络模型，采用所述轻量化卷积网络模型采集输入图像信息；所述轻量化卷积网络模型的卷积层数范围为36-58，压缩层压缩因子范围为0.3-0.5；

S2：搭建人脸校正器；

S3：采用人脸校正器检测并校正所述输入图像信息，获得预处理图像；

S4：采用轻量化卷积神经网络模型分类预处理图像中的人脸表情；

所述搭建并训练轻量化卷积网络模型包括：

S1.1：搭建网络模型，将每层卷积层输出传入后继卷积层作为额外输入，初始的分组卷积组数为2-4，单个稠密块卷积层数不低于12；

S1.2：确定轻量化卷积神经网络结构参数增长率k，卷积过滤器的长H_k，卷积过滤器的宽W_k，卷积层数n；

所述确定轻量化卷积神经网络结构参数增长率k，卷积过滤器的长H_k，卷积过滤器的宽W_k，卷积层数n的方法为：

计算基于轻量化卷积神经网络模型的计算量减少参数N，采用参数N最小值时的结构参数增长率k，卷积过滤器的长H_k，卷积过滤器的宽W_k，卷积层数n作为轻量化卷积网络模型的参数：

；

其中为结构参数增长率，H_k为卷积过滤器的长，W_k为卷积过滤器的宽，n为卷积层数。

2.根据权利要求1所述的基于轻量化卷积神经网络的表情识别方法，其特征在于，所述S1包括：根据FERPLUS表情识别数据库训练轻量化卷积神经网络模型。

3.根据权利要求1所述的基于轻量化卷积神经网络的表情识别方法，其特征在于，所述搭建人脸校正器采用HOG特征和SVM算法。

4.根据权利要求2所述的基于轻量化卷积神经网络的表情识别方法，其特征在于，训练轻量化卷积神经网络的步骤包括：

获取训练样本，所述训练样本包括至少1000张第一表情图像；

使用数据增广方法，将每一张第一表情图像翻转、旋转、裁剪、放缩和变形获得至少10张对应的第二表情图像；

随机截取第二表情图像中至少一个图块，获得带有空白区域的第三表情图像；

使用第三表情图像训练轻量化卷积神经网路模型。