[发明专利]基于多分支跨连接卷积神经网络的表情识别方法

权利要求书

1.基于多分支跨连接卷积神经网络的表情识别方法，其特征在于：所述方法具体过程为：

步骤一、对人脸表情图像数据集进行预处理；

步骤二、构建多分支跨连接卷积神经网络MBCC-CNN，用于提取人脸表情图像特征；

步骤三、采用Softmax分类算法对MBCC-CNN提取的图像特征分类；

所述步骤一中对人脸表情图像数据集进行预处理；具体过程为：

选取Fer2013和CK+人脸表情数据集，对人脸表情数据集进行归一化处理，对归一化处理后的数据进行数据增强；

对归一化处理后的数据进行数据增强的过程为：

对归一化处理后的数据进行随机缩放、翻转、平移、旋转；

所述步骤二中构建多分支跨连接卷积神经网络MBCC-CNN，用于提取人脸表情图像特征；具体过程为：

多分支跨连接卷积神经网络由第一卷积层、模块1、模块2和模块3、第四十卷积层、批量标准化BN和Relu激活函数构成；

模块1包括第二卷积层、第三卷积层和第四卷积层，第二十一卷积层、第二十二卷积层、第二十三卷积层；

人脸数据集图像数据为输入层，输入层数据输入第一卷层积，第一卷积层的输出数据分别输入第二卷积层和第三卷积层，第二卷积层的输出数据输入第四卷积层，第三卷积层和第四卷积层的输出数据输入第五卷积层；

第二十卷积层的输出数据输入第二十一卷积层和第二十二卷积层，第二十二卷积层的输出数据输入第二十三卷积层，第二十一卷积层和第二十三卷积层的输出数据输入第二十四卷积层；

模块2包括第五卷积层、第六卷积层、第七卷积层、第八卷积层、第九卷积层、第十卷积层、第十一卷积层、第十二卷积层、第一最大池化层，第二十四卷积层、第二十五卷积层、第二十六卷积层、第二十七卷积层、第二十八卷积层、第二十九卷积层、第三十卷积层、第三十一卷积层、第四最大池化层；

第三卷积层和第四卷积层的输出数据输入第五卷积层，第五卷积层的输出数据分别输入第八卷积层和第十卷积层，第十卷积层的输出数据分别输入第九卷积层和第十一卷积层，第八卷积层的输出数据分别输入第六卷积层和第七卷积层，第十一卷积层的输出数据输入第十二卷积层，第六卷积层、第七卷积层、第九卷积层、第十二卷积层的输出数据输入第一最大池化层，第一最大池化层的输出数据输入第十三卷积层；

第二十一卷积层和第二十三卷积层的输出数据输入第二十四卷积层，第二十四卷积层的输出数据分别输入第二十五卷积层、第二十六卷积层、第二十七卷积层、第二十九卷积层，第二十七卷积层的输出数据输入第二十八卷积层，第二十九卷积层的输出数据输入第三十卷积层，第三十卷积层的输出数据输入第三十一卷积层，第二十五卷积层、第二十六卷积层、第二十八卷积层、第三十一卷积层的输出数据输入第四最大池化层，第四最大池化层的输出数据输入第三十二卷积层；

模块3包括第十三卷积层、第十四卷积层、第十五卷积层、第十六卷积层、第十七卷积层、第十八卷积层、第十九卷积层、第二十卷积层、第二最大池化层、第三最大池化层，第三十二卷积层、第三十三卷积层、第三十四卷积层、第三十五卷积层、第三十六卷积层、第三十七卷积层、第三十八卷积层、第三十九卷积层、第五最大池化层、第六最大池化层；

第一最大池化层的输出数据输入第十三卷积层，第十三卷积层的输出数据分别输入第十四卷积层和第十五卷积层，第十四卷积层的输出数据输入第二最大池化层，第十五卷积层的输出数据输入第三最大池化层，第二最大池化层的输出数据分别输入第十六卷积层和第十七卷积层，第三最大池化层的输出数据分别输入第十八卷积层和第十九卷积层，第十六卷积层、第十七卷积层、第十八卷积层和第十九卷积层的输出数据输入第二十卷积层；

第四最大池化层的输出数据输入第三十二卷积层，第三十二卷积层的输出数据分别输入第三十三卷积层和第三十四卷积层，第三十三卷积层的输出数据输入第五最大池化层，第三十四卷积层的输出数据输入第六最大池化层，第五最大池化层的输出数据分别输入第三十五卷积层和第三十六卷积层，第六最大池化层的输出数据分别输入第三十七卷积层和第三十八卷积层，第三十五卷积层、第三十六卷积层、第三十七卷积层、第三十八卷积层的输出数据输入第三十九卷积层，第三十九卷积层的输出数据输入第四十卷积层；

每一个卷积层后面都接一个批量标准化BN和一个Relu激活函数。