【技术实现步骤摘要】
一种特征增强的轻量化网络FGNet人脸表情识别方法
[0001]本专利技术属于计算机模式识别
,具体是一种人脸表情识别方法。
技术介绍
[0002]人脸表情是人们之间非语言交流时的最丰富的资源和最容易表达人们感情的一种有效方式,在人们的交流中起着非常重要的作用。表情含有丰富的人体行为信息,是情感的主载体,通过脸部表情能够表达人的微妙的情绪反应以及人类对应的心理状态,由此可见表情信息在人与人之间交流中的重要性。人脸表情识别技术随着人们对表情信息的日益重视而受到关注,成为目前一个研究的热点。所谓人脸表情识别,就是利用计算机进行人脸表情图像获取、表情图像预处理、表情特征提取和表情分类的过程,它通过计算机分析人的表情信息,从而推断人的心理状态,最后达到实现人机之间的智能交互。表情识别技术是情感计算机研究的内容之一,是心理学、生理学、计算机视觉、生物特征识别、情感计算、人工心理理论等多学科交叉的一个极富挑战性的课题,它的研究对于自然和谐的人机交互、远程教育、安全驾驶等都有重要的作用和意义。
[0003]与其它图像视觉领域不同,在人脸表情识别过程中,存在着许多难点:首先,人脸表情的特征十分细微,五官发生细微的变化可能有代表着截然不同的情绪;其次,人脸表情持续时间较短,某种表情的持续时间往往只有不到1秒钟,这对表情检测的实时性提出了较高要求;再者,不同人脸之间表情数据差别较大,并且对光照和图像背景的抗噪声能力较弱,这些特点给人脸表情识别的发展应用带来了许多挑战。
[0004]一张人脸图片拥有大量的信息,而且在 ...
【技术保护点】
【技术特征摘要】
1.一种特征增强的轻量化网络FGNet人脸表情识别方法,其特征在于,包括以下步骤:101、利用“幽灵”网络——GhostNet作为基础模型,结合“幽灵”模块的“幻影”特性图生成特性和ShuffleNetV2的通道“洗牌”以及特征复用特性,构建一个轻量级的人脸识别网络框架——特征加强幽灵网络框架FGNet,利用线性运算生成“幻影”特征图来优化网络参数量,利用通道“洗牌”来优化网络模型特征提取的能力;102、利用网络中注意力模块对于通道和空间特征的提取能力,设计注意力模块来提取不同尺度的特征并输出多尺度信息,并将注意力模块添加在步骤101的网络模型中;103、根据数据库样本数量为每一类表情样本计算权重,并加权于自定义的损失函数上;从而实现网络对于各个表情类别训练关注度的平衡;104、将FGNet网络模型导入到人脸表情识别系统中,实现实时的的人脸表情识别。2.根据权利要求1所述的一种特征增强的轻量化网络FGNet人脸表情识别方法,其特征在于,所述步骤101中FGNet网络框架的设计表示如下:A1、采用“幽灵”网络中所提出的“幽灵”模块特性,生成特征图,基于原始的特征图上应用一系列线性变换,从而生成包含所需信息的“幻影”特征图,具体来说,原始特征图Y
’
是由输入x经过一次卷积生成,再对Y
’
中的每个原始特征应用线性运算Φ,生成s个“幻影”特征图:y
ij
=Φ
i,j
(y
′
i
) (1)其中y
′
i
是Y
’
中第i个原始特征图,Φ
i,j
是第j个线性运算,用于生成第j个“幻影”特征图y
ij
;B1、网络模块具体设计如下:将输入x经过一层3
×
3的深度可分卷积后得到特征矩阵DWC1(x),再经过1
×
1的2D卷积得到Conv1(x),利用沙漏块的特性再经过一次1
×
1的2D卷积得到Conv2(x),经过一层3
×
3的深度可分卷积后得到特征矩阵利用ResNet的恒等映射特性,将输入x与DWC2(x)做一次恒等映射,得到再将DWC2(x)与进行特征融合后得到第一层输出Add1(x),将得到的Add1(x)作为下一层深度可分卷积的输入x,实现该模块的嵌套循环,经过n层网络后,输出为Add
n
(x);C1、在上述设计网络模块的基础上,在输入input使用通道分片运算将输入特征图在通道维度分成两个分支:通道数分别为a和A
‑
a,左边分支做同等映射,右边的分支包含步骤A的网络模块,并且输入和输出通道相同;对两个分支的输出进行concat操作,最后再对concat后的结果进行通道洗牌,以保证两个分支信息交流;D1、将步骤C1最终输出的特征输入到步骤102设计的注意力模块中得到多尺度特征图;E1、网络末端采用步骤103设计的损失函数来进行表情图像分类,并得到最终识别的准确率。3.根据权利要求2所述的一种特征增强的轻量化网络FGNet人脸表情识别方法,其特征在于,所述步骤102中设计注意力模块来提取不同尺度特征并输出丰富的多尺度信息,具体为:A2、首先构建多尺度特征,假设输入为X,先将输入X拆分为S部分[X0,X1,...,X
S
‑1],X
S
‑1表示拆分后的第S组,然后对不同部分提取不同尺度特征,最后将所提取的多尺度特征通过Concat进行拼接;上述过程如下公式所示:
[X0,X1,...,X
S
‑1]=Split(X) (2)F
i
=Conv(K
i
×
K
i
,G
i
)(X
i
),i=0,1,...,S
‑
1 (3)F=Cat([F0,F1,...,F
S
‑1]) (4)式中F
i
为每一部分输出的特征图,F为最终输出的特征图,Conv为卷积操作,K为卷积核的大小,G为通道数分组大小;B2、在上述特征基础上,通过有效的通道注意力ECA得到通道级注意力向量以提取不同尺度特征,即对不同部分特征提取注意力权值,...
【专利技术属性】
技术研发人员:周丽芳,栗思秦,李伟生,全好,
申请(专利权)人:重庆邮电大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。