[发明专利]融合SURF特征和卷积神经网络的小样本人脸表情识别方法

说明书

本发明属于人脸识别技术领域，提供了融合SURF特征和卷积神经网络的小样本人脸表情识别方法，通过使用SURF特征和卷积神经网络的协同工作，首先通过卷积神经网络中的dropout层不同节点的保留概率筛选出相对合适的卷积神经网络，之后使用SURF算法提取出表情图像的特征，提高小数据的性能，然后采用简单平均的方法对模型进行融合，从而减少误差、避免过拟合，实现使用少量样本就能训练模型且进一步提高了人脸表情识别的准确率。所以，本发明的融合SURF特征和卷积神经网络的小样本人脸表情识别方法降低了在人脸表情识别过程中训练样本的成本，解决了CNN需要大量数据训练的问题，提高了小样本下表情识别的准确率。

技术领域

本发明属于人脸识别技术领域，具体涉及一种融合SURF特征和卷积神经网络的小样本人脸表情识别方法。

背景技术

人脸表情识别技术被广泛应用于智能医疗、智能交通、公共安全和智能教育等领域。它有助于创造出更多能够识别人类情绪能力的智能机器人，也能够进一步用于检测疲劳驾驶和互动游戏开发。

传统的人脸表情识别方法大多基于手工制作的特征，采用预处理—特征提取—分类的方法。而目前的人脸表情识别方法大多基于深度学习方法，主要是使用各种深度神经网络实现特征提取和分类。但是这些深度神经网络的训练需要大量标注好的样本数据，样本的多少会直接影响着模型和网络训练后的效果。而且这种方法中人脸表情数据集由于具有自发表情诱导困难、样本难以采集等特殊性，从而导致数据样本有限，所以使用这些数据集训练出来的模型容易产生过拟合且模型的性能比较差。

虽然当前普遍采用数据增强技术在一定程度上扩充表情样本数量如旋转、光亮度变化、对比度变化等方法，但是使用这种方式扩充后的数据集进行训练的模型更容易产生过拟合现象。

发明内容

本发明是为了解决上述问题而进行的，目的在于提供一种融合SURF特征和卷积神经网络的小样本人脸表情识别方法。

本发明提供了一种融合SURF特征和卷积神经网络的小样本人脸表情识别方法，具有这样的特征，包括如下步骤：步骤S1，将待测样本预处理形成预处理向量后输入预先训练好的人脸表情识别模型中；人脸表情识别模型由输入层、CNN网络模型、surf模型、softmax层以及结果处理层组成；步骤S2，将预处理向量通过输入层输入CNN网络模型得到第一特征向量，CNN网络模型由三个子模型以及一个第一平均层组成，平均层用于将预处理向量分别输入三个子模型中处理得到的结果进行平均从而形成第一特征向量；步骤S3，将预处理向量通过输入层输入surf模型得到第二特征向量，surf模型由三个surf子模型以及一个第二平均层组成，第二平均层进行平均从而形成第二特征模向量；步骤S4，将第一特征向量和第二特征向量分别输入softmax层得到相对应的第一概率值和第二概率值；步骤S5，将第一概率值和第二概率值输入结果处理层进行平均处理，得到预测概率值；步骤S6，将预测概率值最大的类别作为待测样本被预测出的类别。

在本发明提供的融合SURF特征和卷积神经网络的小样本人脸表情识别方法中，还可以具有这样的特征：其中，子模型具有依次连接的多个卷积层、池化层以及dropout层，三个子模型的dropout层分别设有不同的dropout值。

在本发明提供的融合SURF特征和卷积神经网络的小样本人脸表情识别方法中，还可以具有这样的特征：其中，卷积层的数量为两个。

在本发明提供的融合SURF特征和卷积神经网络的小样本人脸表情识别方法中，还可以具有这样的特征：其中，卷积层为3×3的过滤器。

在本发明提供的融合SURF特征和卷积神经网络的小样本人脸表情识别方法中，还可以具有这样的特征：其中，输入层是像素为48×48的单通道灰度图像。

在本发明提供的融合SURF特征和卷积神经网络的小样本人脸表情识别方法中，还可以具有这样的特征：其中，对待测样本的预处理是指将待测样本的图像大小统一为48×48。