一种表情的识别方法、装置、设备及可读存储介质制造方法及图纸

本发明专利技术提供了一种表情的识别方法、装置、设备及可读存储介质，包括：获取待识别图像，并将所述待识别图像发送至训练好的双链式网络模型进行特征提取；其中，所述双链式网络模型第一通道第n层能够对第一通道第(n

【技术实现步骤摘要】
一种表情的识别方法、装置、设备及可读存储介质


[0001]本专利技术涉及计算机领域，特备涉及一种表情的识别方法、装置、设备及可读存储介质。

技术介绍

[0002]现有的机器学习主要分为两类：(1)基于传统机器学习的方法：SVM是统计学习中一种常用的分类方法，该方法具有特有的学习能力，可以有效地处理非线性、小样本和高维数据等问题。缺点是在大样本地情况下，矩阵计算需要耗费大量地时间和运行内存，从而影响整体地识别效率。(2)基于深度学习的方法：CNN是一种端到端模式，通过卷积层、池化层以及全连接层、softmax等连接实现特征映射。CNN的缺点是当网络层数过深时候采用BP传播修改参数会使靠近输入层的参数改动较慢
[0003]在人脸表情识别一般采用机器学习的方式来进行识别，然而目前深度学习的发展呈现网络层次越来越深，网络结构越来越复杂的趋势，为了追求更高的准确率，网络中会加入更多的参数导致模型的复杂度越来越高，所需计算力的提高导致，以使得边缘端设备难以被部署，且还会产生因降温设备导致的资源浪费。
[0004]有鉴于此，提出本申请。

技术实现思路

[0005]本专利技术公开了一种表情的识别方法、装置、设备及可读存储介质,旨在解决用于识别表情的模型复杂度越来越高，导致边缘端设备不好被部署的问题。
[0006]本专利技术第一实施例提供了一种表情的识别方法，包括：
[0007]获取待识别图像，并将所述待识别图像发送至训练好的双链式网络模型进行特征提取；其中，所述双链式网络模型第一通道第n层能够对第一通道第(n
‑
1)层和第二通道第(n
‑
1)层的叠加特征进行提取，其中，n＞1；
[0008]接收双链式网络模型第一通道最后一层输出的表情特征，并基于softmax分类器对所述表情特征进行分类，以完成表情识别。
[0009]优选地，所述获取待识别图像，并将所述待识别图像发送至训练好的双链式网络模型进行特征提取之前还包括：
[0010]将数据集按照预设比例划分为训练集和测试集，其中，所述训练集和所述测试集中的每个表情标注随机排列且比例相同；
[0011]通过构建好的双链式网络对所述训练集和测试集进行加载，并获取所述训练集和测试集的准确率随epochs的变化；
[0012]调整双链式网络每一层的参数，直至识别准确率到达预设值。
[0013]优选地，所述数据集为增广过的CK+数据集。
[0014]优选地，所述双链式网络模型的两侧基于不同的卷积，以获得通道数相同的特征值，通过特征叠加，生成从第一层到最后一层所获得的不同粒度表情特征。
[0015]本专利技术第二实施例提供了一种表情的识别装置，包括：
[0016]图像获取单元，用于获取待识别图像，并将所述待识别图像发送至训练好的双链式网络模型进行特征提取；其中，所述双链式网络模型第一通道第n层能够对第一通道第(n
‑
1)层和第二通道第(n
‑
1)层的叠加特征进行提取，其中，n＞1；
[0017]表情识别单元，用于接收双链式网络模型第一通道最后一层输出的表情特征，并基于softmax分类器对所述表情特征进行分类，以完成表情识别。
[0018]优选地，所述获取待识别图像，并将所述待识别图像发送至训练好的双链式网络模型进行特征提取之前还包括：
[0019]将数据集按照预设比例划分为训练集和测试集，其中，所述训练集和所述测试集中的每个表情标注随机排列且比例相同；
[0020]通过构建好的双链式网络对所述训练集和测试集进行加载，并获取所述训练集和测试集的准确率随epochs的变化；
[0021]调整双链式网络每一层的参数，直至识别准确率到达预设值。
[0022]优选地，所述数据集为增广过的CK+数据集。
[0023]优选地，所述双链式网络模型的两侧基于不同的卷积，以获得通道数相同的特征值，通过特征叠加，生成从第一层到最后一层所获得的不同粒度表情特征。
[0024]本专利技术第三实施例提供了一种表情的识别设备，包括存储器以及处理器，所述存储器内存储有计算机程序，所述计算机程序能够被所述处理器执行，以实现如上任意一项所述的一种表情的识别方法。
[0025]本专利技术第四实施例提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序能够被所述计算机可读存储介质所在设备的处理器执行，以实现如上任意一项所述的一种表情的识别方法。
[0026]基于本专利技术提供的一种表情的识别方法、装置、设备及可读存储介质，可以获取由图像采集装置采集到的待识别图像，并将所述待识别图像发送至训练好的双链式网络模型进行特征提取，接收双链式网络模型第一通道最后一层输出的表情特征，并基于softmax分类器对所述表情特征进行分类，以完成表情识别，其中，所述双链式网络模型每一层的输入都能获得来自上一层的特征值，使得最后得到的输出结果能够获得从第一层到最后一层所获得的不同粒度的特征。解决了用于识别表情的模型复杂度越来越高，导致边缘端设备不好被部署的问题。
附图说明
[0027]图1是本专利技术第一实施例提供了一种表情的识别方法的流程示意图；
[0028]图2是本专利技术提供的双链式网络结构示意图；
[0029]图3是本专利技术提供的双链式网络结构具体参数示意图；
[0030]图4是本专利技术提供的cnn与新型双链式神经网络的数据对比示意图；
[0031]图5是本专利技术第二实施例提供了一种表情的识别装置的模块示意图。
具体实施方式
[0032]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完
整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0033]为了更好的理解本专利技术的技术方案，下面结合附图对本专利技术实施例进行详细描述。
[0034]应当明确，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。
[0035]在本专利技术实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本专利技术。在本专利技术实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
[0036]应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
[0037]取决于语境，如在此所使用的词语“如果”可以被解释成为“在
……
时”或“当...

【技术保护点】

【技术特征摘要】
1.一种表情的识别方法，其特征在于，包括：获取待识别图像，并将所述待识别图像发送至训练好的双链式网络模型进行特征提取；其中，所述双链式网络模型第一通道第n层能够对第一通道第(n
‑
1)层和第二通道第(n
‑
1)层的叠加特征进行提取，其中，n＞1；接收双链式网络模型第一通道最后一层输出的表情特征，并基于softmax分类器对所述表情特征进行分类，以完成表情识别。2.根据权利要求1所述的一种表情的识别方法，其特征在于，所述获取待识别图像，并将所述待识别图像发送至训练好的双链式网络模型进行特征提取之前还包括：将数据集按照预设比例划分为训练集和测试集，其中，所述训练集和所述测试集中的每个表情标注随机排列且比例相同；通过构建好的双链式网络对所述训练集和测试集进行加载，并获取所述训练集和测试集的准确率随epochs的变化；调整双链式网络每一层的参数，直至识别准确率到达预设值。3.根据权利要求2所述的一种表情的识别方法，其特征在于，所述数据集为增广过的CK+数据集。4.根据权利要求1所述的一种表情的识别方法，其特征在于，所述双链式网络模型的两侧基于不同的卷积，以获得通道数相同的特征值，通过特征叠加，生成从第一层到最后一层所获得的不同粒度表情特征。5.一种表情的识别装置，其特征在于，包括：图像获取单元，用于获取待识别图像，并将所述待识别图像发送至训练好的双链式网络模型进行特征提取；其中，所述双链式网络模型第一通道第n层能够对第一通道第(n
‑<...

【专利技术属性】
技术研发人员：戴彬，张文君，李林，林开标，
申请(专利权)人：厦门理工学院，
类型：发明
国别省市：