[发明专利]基于复式优化数据集的表情识别和情绪跟踪方法

说明书

本发明公开了一种基于复式优化数据集的表情识别和情绪跟踪方法，包括：S1：对人脸表情数据按照功能分类划分并进行构建；S2：利用置信学习算法复式分析辅助人工混合方式分别处理对应功能数据集，得到噪声率低的数据集；S3：基于各数据集，通过CNN模型进行训练，得到面部表情成分实时识别结果；S4：基于表情识别单帧结果，设计情绪跟踪算法，得到情绪跟踪结果。本发明在原有大样本数据集的基础上，利用置信学习算法复式分析辅助人工混合方式处理数据，解决原始数据集中噪声数据占比大、识别难的问题，提高表情识别准确率，并基于此设计相应算法完成情绪跟踪等功能场景应用。

技术领域

本发明涉及一种人工与复式置信学习改进数据集的表情识别和情绪跟踪方法，属于计算机视觉技术领域。

背景技术

表情识别是计算机视觉技术的一个重要应用，在实现机器人情感交互中占据重要地位。卷积神经网络作为表情识别的典型网络模型，近年来不断发展出加速性能更加优越的模型。然而现有的大样本人脸表情数据集人眼识别率较低，含有大量噪声样本干扰学习过程，使得模型准确率偏低。并且随着功能应用的深入，人机情感交互的某些用户心理分析需求无法通过面部表情较好的满足。

发明内容

为了改进相关技术问题，本发明提出一种基于复式优化数据集的表情识别和情绪跟踪方法，在现有大样本数据集基础上，利用置信学习算法复式分析辅助人工混合方式完成清理和重修订，解决大量噪声样本导致模型学习质量低的问题，提高识别准确率，并深入功能应用场景，实现有效情绪跟踪。

为达到上述目的，本发明的技术方案是这样实现的：

一种基于复式优化数据集的表情识别和情绪跟踪方法，其特征在于，具体包括以下步骤：

S1：对人脸表情数据按照功能分类划分并进行构建；

S2：利用置信学习算法复式分析辅助人工混合方式分别处理对应功能数据集，得到噪声率低的数据集；

S3：基于各数据集，通过CNN模型进行训练，得到面部表情成分实时识别结果；

S4：基于表情识别单帧结果，设计情绪跟踪算法，得到情绪跟踪结果。

优选地，所述步骤S1的具体步骤如下：

S11：构建大样本训练功能人脸表情数据集；

S12：构建测试功能数据集，重分配各类样本并进行必要创建、预处理。

优选地，所述步骤S11中获取万级大样本数据集及其含有人工信息的对照数据，筛选处理参照信息，通过半自动算法和进一步清理、全局重修订创建人工处理对照组。对照筛选处理参照信息，筛选信息字段标记集合为：

归一化各字段置信度，第i个样本第j个字段置信度记为c_ij，筛取数据：

初步人工预处理噪声样本集：

进一步随机检出丢弃x例i表情类超过阈值R的偏移样本：

其中N_i为i表情类样本量。半自动算法全局重修订创建人工处理对照组，重修订样本集合：

优选地，所述步骤S12中所述的测试功能数据集之一从视频序列相关数据集中进行重分配，并与训练数据集统一格式预处理，同时测试功能数据集对特殊对象进行补充创建。

优选地，所述步骤S2的具体步骤如下：

S21：分别建立置信学习数据处理对照组数据集，分析单式置信学习处理结果；