[发明专利]基于注意力机制的卷积神经网络面部情绪识别方法及系统

权利要求书

1.基于注意力机制的卷积神经网络面部情绪识别方法，其特征在于：包括：

收集人脸图像数据，按比例分为训练集和测试集；

将训练集中的人脸图像数据输入卷积神经网络模型中进行特征学习，得到人脸面部情绪特征数据；

在测试集中测试卷积神经网络模型，优化所述卷积神经网络模型的参数；

将待识别的人脸图像数据输入优化后的卷积神经网络模型中，得到情绪分类结果。

2.根据权利要求1所述的基于注意力机制的卷积神经网络面部情绪识别方法，其特征在于：所述将训练集中的人脸图像数据输入卷积神经网络模型中进行特征学习，得到人脸面部情绪特征数据，具体包括：

将各权值、阈值，置成小的接近于0的随机值，并初始化精度控制参数eps＝1e-15和学习率0.05；

从训练集中取一个输入模式加到网络，输入模式与每层的权值矩阵进行点乘运算，从而计算出各层输出，并给出它的输出向量；

将输出向量中的元素与目标向量中的元素进行比较，计算出各层残差、权值和阈值；

当模型平均准确率满足95％时保存模型。

3.根据权利要求1所述的基于注意力机制的卷积神经网络面部情绪识别方法，其特征在于：所述将待识别的人脸图像数据输入优化后的卷积神经网络模型中，得到所述人脸图像的面部情绪特征数据之前，包括：

采集待识别的人脸图像数据；

对所述人脸图像进行灰度转换，对灰度转换后的人脸图像进行长宽尺寸的校正，使所述人脸图像的长宽调整至预设的尺寸；

对所述人脸图像按照预设的人脸部位规则进行分割，并对分割的部位进行标记。

4.根据权利要求3所述的基于注意力机制的卷积神经网络面部情绪识别方法，其特征在于：所述将待识别的人脸图像数据输入优化后的卷积神经网络模型中，得到所述人脸图像的面部情绪特征数据，具体包括：

将分割并标记后的人脸图像数据输入到训练好的卷积神经网络模型中；

对标记的部位进行计算，综合所有部位的计算结果，得到在不同情绪下面部情绪特征的得分；

将分值进行排序，最高分数对应的情绪即为待识别人脸图像数据的情绪分类结果。

5.根据权利要求1所述的基于注意力机制的卷积神经网络面部情绪识别方法，其特征在于：所述卷积神经网络模型包括2个卷积层包括卷积层1和卷积层2；2个池化层包括池化层1和池化层2；2个全连接层包括全连接层1和全连接层2以及1个Softmax层。

6.根据权利要求5所述的基于注意力机制的卷积神经网络面部情绪识别方法，其特征在于：所述卷积层1的卷积核数设为16，卷积核模板的大小为3×3，卷积层1后连接偏置层、激活函数层和池化层1，其中池化层1的池化核模板大小设为2×2；卷积层2的卷积核数设为32，卷积核大小为3×3；池化层2的池化核大小设为2×2；全连接层1的特征向量维度设为2048，全连接层2的特征向量维度设为512；Softmax层的特征向量维度为7类。

7.基于注意力机制的卷积神经网络面部情绪识别系统，其特征在于：包括：

样本收集单元：收集人脸图像数据，按比例分为训练集和测试集；

卷积计算单元：将训练集中的人脸图像数据输入卷积神经网络模型中进行特征学习，得到人脸面部情绪特征数据；

优化单元：在测试集中测试卷积神经网络模型，优化所述卷积神经网络模型的参数；

识别单元：将待识别的人脸图像数据输入优化后的卷积神经网络模型中，得到情绪分类结果。