[发明专利]一种基于深度学习的人脸状态识别方法及其装置

摘要

本发明公开了一种基于深度学习的人脸状态识别方法及其装置，其方法包括：采集被识别人的脸部图像并记录采集时间，使用人脸识别算法对被识别人的图像进行处理，输出人脸识别结果。将人脸识别结果输入到预训练的深度神经网络和人脸特征点模型进行处理，得到表情识别结果和疲劳识别结果；其表情识别结果包括表情类型及其预测值。将表情识别结果和对应的采集时间作为表情数据，依序记录到表情数据库中；将疲劳数据也按照时间记录到疲劳数据库中。从表情和疲劳数据库中获取多个数据并进行分析，从而得到对被识别人的状态识别结果。本发明能够高效地感知和分析被识别人的情绪和疲劳程度，可广泛应用于疲劳驾驶检测、机器人等自动化领域。

主权项

1.一种基于深度学习的人脸状态识别方法，其特征在于，包括以下步骤：/n步骤一.采集被识别人的脸部图像并记录采集时间，使用人脸识别算法对被识别人的图像进行处理，输出人脸识别结果；/n步骤二.将人脸识别结果输入到预训练的深度神经网络和人脸特征点模型进行处理，得到表情识别结果和疲劳识别结果；所述的表情识别结果包括表情类型及其预测值；/n步骤三.将表情识别结果和对应的采集时间作为表情数据，依序记录到表情数据库中；将疲劳数据也按照时间记录到疲劳数据库中；/n步骤四.从表情和疲劳数据库中获取多个数据并进行分析，从而得到对被识别人的状态识别结果；/n所述的深度神经网络配置为：/n第一层为输入层，输入图片参数为L*W*H，L为图片长度，W为图片宽度，H为图片通道数；/n第二层为第一层卷积层，卷积核大小为k1*k1，步长为s1，填充尺寸为p1，深度为D1；/n根据卷积公式：/n /n得到输出的特征张量为Lout*Wout*D1；/n第三层为第一层池化层，池化层参数为L1*L1，步长为sd1，其中l的大小设置为2或3；所得结果记为f(x)；/n接下来的网络结构以一层卷积层加一层池化层为搭配，第四层为第二层卷积层，卷积核大小为k2*k2，步长为s2，填充尺寸为p2，深度为D2；其中k2的大小不大于前一层卷积层，其值设置在3～5范围内；采取的激活函数的形式为y＝max(0,x)，深度可保持不变或更大；第五层为第二层池化层池化层参数大小为l2*l2，步长为sd2，池化层不做改变；所得的结果记为f1(x)；/n在前后两层卷积层深度不变的情况下，此时进入下一层卷积层的输入变为f(x)+f1(x)；若深度不同，则上一层的输出仍为下一层输入；以此类推；/n隐藏层层数设置在50～60层；/n倒数第二层为第一层全连接层，分类回归输出一组一维的向量V，输出参数为(x,1,1)的一维张量；/n最后一层为输出层也是全连接层的第二层，分类回归输出一组一维的向量V1，输出参数为(x1,1,1)的一维张量。/n