[发明专利]一种用于低分辨率图像的人脸表情识别方法

权利要求书

1.一种用于低分辨率图像的人脸表情识别方法，其特征在于：包括以下步骤，

步骤1：读取表情数据集图像，提取人脸区域和特征点信息，并根据特征点将人脸区域对齐，裁剪得到人脸特征区域；

步骤2：提取人脸特征区域边缘信息，通过判断有无边缘信息获得单图像特征矩阵，通过单图像特征矩阵累加处理得到情感特征矩阵，去除冗余区域特征信息，保留显著区域特征信息；

步骤3：利用情感特征矩阵构建深度卷积神经网络强化对人脸特征区域中特征的提取，充分利用低分辨率图像的显著特征信息对卷积神经网络模型进行训练，提高低分辨率图像的情感特征识别精度，此外，由于卷积神经网络模型仅需要相对高分辨图像较少的层数即能提取低分辨率图像特征信息，进而降低模型训练参数量，提升训练速度和识别速度；

步骤4：采用Softmax回归模型对步骤3的情感特征进行识别，得到情感类别，即实现低分辨率图像的高精度情感识别。

2.如权利要求1所述的一种用于低分辨率图像的人脸表情识别方法，其特征在于：步骤1实现方法为，

步骤1.1：读取表情数据集图像，对输入图像进行人脸检测以及关键点检测，获取人脸区域并校准对齐；

步骤1.2：截取人脸区域并归一化为统一尺寸获得人脸特征区域；

步骤1.3：按照步骤1.1、步骤1.2的操作处理数据集中全部用于训练的图像，得到预处理之后的人脸特征区域数据集L1。

3.如权利要求2所述的一种用于低分辨率图像的人脸表情识别方法，其特征在于：步骤2实现方法为，

步骤2.1：根据输入图像尺寸以及卷积神经网络模型确定特征矩阵维度，将统一尺寸的图像划分为n×n数量的特征块；

步骤2.2：对特征块进行边缘提取，对存在边缘的特征块将其单图像特征矩阵G中的对应位置系数置为1，不存在边缘的特征块置为0；

步骤2.3：从人脸特征区域数据集L1中随机选取l张图像，分别获得单图像特征矩阵G；情感特征矩阵M由公式(1)获得：

其中，f(α)为非线性函数β为阈值，B为相关的偏置方便人为控制特征处理。

4.如权利要求3所述的一种用于低分辨率图像的人脸表情识别方法，其特征在于：步骤3实现方法为，

步骤3.1：人脸特征区域数据集L1中的图像先输入到由p个大小为q×q步长为1的卷积滤波器组成的卷积层，通过Relu函数激活后输入到大小为b×b步长为2的最大池化层、Dropout层，之后再次输入到由p个大小为q×q步长为1的卷积滤波器组成的卷积层，通过Relu函数激活后输入到大小为b×b步长为2的最大池化层、Dropout层得到情感特征A1；

步骤3.2：将情感特征A1输入到由2p个大小为q×q步长为1的卷积滤波器组成的卷积层、大小为b×b步长为2的最大池化层得到情感情感特征A2，得到无差别人脸区域特征，并将情感特征A1与步骤2得到的情感特征矩阵数乘后输入到由2p个大小为q×q步长为1的卷积滤波器组成的卷积层、大小为b×b步长为2的最大池化层得到情感特征A3，保留显著区域特征，去除冗余区域特征；

步骤3.3：将情感特征A2和情感特征A2相加输入到Relu激活层，最后通过两个由c个神经元构成的全连接层得到最终情感特征A，加大显著区域特征信息比重，充分利用低分辨率人脸图像显著特征信息；以四层卷积层实现情感特征的提取，降低模型参数量，提高训练速度和识别速度。