[发明专利]基于注意力机制的人脸表情识别方法

说明书

本发明的一种基于注意力机制的人脸表情识别方法，适用于图像识别领域。首先构建人脸表情识别模型，通过端到端的方式获得收敛后的人脸表情预测结果；在残差网络的基础上添加自注意力机制和通道注意力机制，从而提高对输入图像中有用信息的敏感度，抑制无用信息；然后利用自注意力计算输入的人脸表情特征图中所有位置像素的加权平均值来计算人脸表情特征图中关键位置的相对重要性，将自注意力机制和通道注意力机制相融合以鼓励人脸表情识别模型提取人脸表情特征图中关键位置作为全局重要特征的能力，最后输出最优识别结果。其步骤简单，使用方便鲁棒性好。

技术领域

本发明涉及一种基于注意力机制的人脸表情识别方法，尤其适用于人脸表情快速识别中使用的 基于注意力机制的人脸表情识别方法。

背景技术

在人类的日常交流中，表情代表着人们当前的情感状态，往往比语言更能表达准确的信息，在 人类情感交流中有着不可或缺的作用。20世纪70年代，心里学家Ekman和Friesen定义了6中基 本情感，分别是高兴、生气、吃惊、恐惧、厌恶和悲伤六种基本情感，随后蔑视被加进来，这7种 情感成为人们研究表情识别的基础。

人脸表情识别作为计算机视觉领域的一个研究方向，与人脸检测、识别有着密不可分的关系， 逐渐被应用到日常的生活中，如司机疲劳驾驶检测、刑侦以及娱乐等领域。目前，人脸表情识别的 研究主要分为基于传统方法的人工特征提取和基于深度学的两个方向。Andrew等^[1]将PCA和LDA结 合起来对表情进行分类。Feng等^[2]提出了一种基于LBP特征和SVM分类起相结合的表情识别方法， 并且就实际应用中可能出现的低分辨率情况对模型做了相应的改进；Metaxas等^[4]基于LBP特征提出 了一种多任务稀疏学习的方法，该方法将表情识别问题转换成多任务稀疏学习的问题，在多个数据 集上均取得较好结果。

自2013年以来，深度学习逐渐应用于表情识别。Matsugu等^[5]采用卷积神经网络(Convolutional Neural Networks,CNN)解决表情图片的平移、旋转和尺度不变性问题。孙波等人通过区域的CNN 学习人脸表情特征。Yao等^[6]提出了专门用于表情识别的网络模型HoloNet，在模型中使用CReLU代 替ReLU，并且将残差模块和CReLU结合构建中间层，取得很好的效果。Zhao等^[7]通过在AlexNet内 添加特征选择机制设计特征提取网络。Cai等^[9]提出了一个新的损失函数，在优化表情类间距离的同 时使类间距离达到最大，从而使网络能够学习到更具判别性的特征。何俊等^[10]采用改进的深度残差 网络加深网络的深度，同时引入迁移学习解决目前表情识别数据集过小的问题，在CK+数据集上达 到了91.33％的准确率。文献^[11]为了解决人脸表情识别中人脸姿态变化的问题，采用成对随机森林的 方法进行人脸姿态变化处理。以上基于深度学习的表情识别方法表明，采用卷积神经网络能取得较 好的识别结果，但是所依赖的卷积运算是在空间上的局部操作，想要捕获长范围特征之间的依赖关 系只能通过反复堆叠卷积层实现，但是这样做效率太低，且由于网络层数较多，需要设计合理的模 型结构防止梯度消失。

发明内容

发明目的：针对上述技术的不足之处，提供一种结构简单，识别效率高，识别精度高的基于注 意力机制的人脸表情识别方法。