驾驶员表情识别模型的训练方法、装置、介质和电子设备制造方法及图纸

本申请提供了一种驾驶员表情识别模型的训练方法、装置、介质和电子设备。所述方法包括：获取多批图像训练集，利用所述多批图像训练集训练驾驶员表情识别模型达到预设训练批次。本申请的驾驶员表情识别模型，基于Transformer编码器结构特点，与ResNet18残差网络相结合，引入中心损失函数改进表情特征分布的状况。驾驶员表情识别模型加强了表情图像中长距离特征信息之间的关联，使驾驶员表情识别模型可以提取出具有判别力的特征信息。通过Softmax交叉熵损失函数与中心损失函数结合的方式更新训练参数。引入中心损失函数改进表情特征分布的状况，对同种类别的表情的内部间距进行了缩减，进而扩大了不同类别表情特征的距离，使网络更容易区分面部表情特征，提高了识别准确率。别准确率。别准确率。

【技术实现步骤摘要】
驾驶员表情识别模型的训练方法、装置、介质和电子设备


[0001]本申请涉及机器学习
，具体而言，涉及一种驾驶员表情识别模型的训练方法、装置、介质和电子设备。

技术介绍

[0002]随着生活水平不断提高，汽车现在成为人们出行的主要交通工具，给人们带来了很大的便利。而驾驶员的驾驶状态对安全行驶有重要影响。
[0003]因此，本申请提供了一种驾驶员表情识别模型的训练方法，以解决上述技术问题。

技术实现思路

[0004]本申请的目的在于提供一种驾驶员表情识别模型的训练方法、装置、介质和电子设备，能够解决上述提到的至少一个技术问题。
[0005]具体方案如下：
[0006]根据本申请的具体实施方式，第一方面，本申请提供一种驾驶员表情识别模型的训练方法，包括：
[0007]获取多批图像训练集，其中，每批图像训练集包括多张训练图像，每张训练图像包括驾驶员的面部特征信息，且每张训练图像中驾驶员的表情类型属于多种预设表情类型之一；
[0008]利用所述多批图像训练集训练驾驶员表情识别模型达到预设训练批次；
[0009]其中，所述驾驶员表情识别模型，能够对驾驶员的表情进行分类，包括ResNet18子模型和多个Transformer编码子模型相结合的神经网络模型，所述驾驶员表情识别模型基于Softmax交叉熵损失函数和中心损失函数的计算结果提高表情识别能力。
[0010]可选的，所述利用所述多批图像训练集训练驾驶员表情识别模型达到预设训练批次，包括：
[0011]将每批图像训练集中的每张训练图像依次输入所述ResNet18子模型获取对应训练图像的面部特征序列；
[0012]将每张训练图像的面部特征序列分别输入所述多个Transformer编码子模型，获得对应训练图像的训练表情类型；
[0013]当任一批统计的训练批次低于预设训练批次时，触发将下一批图像训练集中的每张训练图像依次输入所述ResNet18子模型获取对应训练图像的面部特征序列的步骤；
[0014]当任一批统计的训练批次达到预设训练批次时，结束训练。
[0015]可选的，所述ResNet18子模型包括：Conv1层、Conv2_x层、Conv3_x层、Conv4_x层和Conv5_x层；
[0016]相应地，所述将每批图像训练集中的每张训练图像依次输入所述ResNet18子模型获取对应训练图像的面部特征序列，包括：
[0017]通过Conv1层、Conv2_x层、Conv3_x层、Conv4_x层和Conv5_x层获得每批图像训练
集中的每张训练图像的特征图；
[0018]对每张训练图像的特征图进行维度调整，获得对应训练图像的面部特征序列。
[0019]可选的，所述多个Transformer编码子模型包括8个Transformer编码子模型。
[0020]可选的，所述获取多批图像训练集，包括：
[0021]获取多张原始面部图像，其中，每张原始面部图像中驾驶员的表情类型属于多种预设表情类型之一；
[0022]对所述每张原始面部图像分别进行尺寸调整，获得对应原始面部图像的标准尺寸图像；
[0023]对每张标准尺寸图像分别进行数据增强处理，获得对应标准尺寸图像的多张训练图像；
[0024]对所述多张训练图像按批分配，获取多批图像训练集。
[0025]可选的，所述中心损失函数中的λ等于0.5。
[0026]可选的，所述预设训练批次包括200批次。
[0027]根据本申请的具体实施方式，第二方面，本申请提供一种驾驶员表情识别模型的训练装置，包括：
[0028]获取单元，用于获取多批图像训练集，其中，每批图像训练集包括多张训练图像，每张训练图像包括驾驶员的面部特征信息，且每张训练图像中驾驶员的表情类型属于多种预设表情类型之一；
[0029]训练单元，用于利用所述多批图像训练集训练驾驶员表情识别模型达到预设训练批次；
[0030]其中，所述驾驶员表情识别模型，能够对驾驶员的表情进行分类，包括ResNet18子模型和多个Transformer编码子模型相结合的神经网络模型3，所述驾驶员表情识别模型基于Softmax交叉熵损失函数和中心损失函数的计算结果提高表情识别能力。
[0031]可选的，所述利用所述多批图像训练集训练驾驶员表情识别模型达到预设训练批次，包括：
[0032]将每批图像训练集中的每张训练图像依次输入所述ResNet18子模型获取对应训练图像的面部特征序列；
[0033]将每张训练图像的面部特征序列分别输入所述多个Transformer编码子模型，获得对应训练图像的训练表情类型；
[0034]当任一批统计的训练批次低于预设训练批次时，触发将下一批图像训练集中的每张训练图像依次输入所述ResNet18子模型获取对应训练图像的面部特征序列的步骤；
[0035]当任一批统计的训练批次达到预设训练批次时，结束训练。
[0036]可选的，所述ResNet18子模型包括：Conv1层、Conv2_x层、Conv3_x层、Conv4_x层和Conv5_x层；
[0037]相应地，所述将每批图像训练集中的每张训练图像依次输入所述ResNet18子模型获取对应训练图像的面部特征序列，包括：
[0038]通过Conv1层、Conv2_x层、Conv3_x层、Conv4_x层和Conv5_x层获得每批图像训练集中的每张训练图像的特征图；
[0039]对每张训练图像的特征图进行维度调整，获得对应训练图像的面部特征序列。
[0040]可选的，所述多个Transformer编码子模型包括8个Transformer编码子模型。
[0041]可选的，所述获取多批图像训练集，包括：
[0042]获取多张原始面部图像，其中，每张原始面部图像中驾驶员的表情类型属于多种预设表情类型之一；
[0043]对所述每张原始面部图像分别进行尺寸调整，获得对应原始面部图像的标准尺寸图像；
[0044]对每张标准尺寸图像分别进行数据增强处理，获得对应标准尺寸图像的多张训练图像；
[0045]对所述多张训练图像按批分配，获取多批图像训练集。
[0046]可选的，所述中心损失函数中的λ等于0.5。
[0047]可选的，所述预设训练批次包括200批次。
[0048]根据本申请的具体实施方式，第三方面，本申请提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上任一项所述驾驶员表情识别模型的训练方法。
[0049]根据本申请的具体实施方式，第四方面，本申请提供一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上任一项所述驾驶员表情识别模型的训练方法。
...

【技术保护点】

【技术特征摘要】
1.一种驾驶员表情识别模型的训练方法，其特征在于，包括：获取多批图像训练集，其中，每批图像训练集包括多张训练图像，每张训练图像包括驾驶员的面部特征信息，且每张训练图像中驾驶员的表情类型属于多种预设表情类型之一；利用所述多批图像训练集训练驾驶员表情识别模型达到预设训练批次；其中，所述驾驶员表情识别模型，能够对驾驶员的表情进行分类，包括ResNet18子模型和多个Transformer编码子模型相结合的神经网络模型，所述驾驶员表情识别模型基于Softmax交叉熵损失函数和中心损失函数的计算结果提高表情识别能力。2.根据权利要求1所述的方法，其特征在于，所述利用所述多批图像训练集训练驾驶员表情识别模型达到预设训练批次，包括：将每批图像训练集中的每张训练图像依次输入所述ResNet18子模型获取对应训练图像的面部特征序列；将每张训练图像的面部特征序列分别输入所述多个Transformer编码子模型，获得对应训练图像的训练表情类型；当任一批统计的训练批次低于预设训练批次时，触发将下一批训练图像集中的每张训练图像依次输入所述ResNet18子模型获取对应训练图像的面部特征序列的步骤；当任一批统计的训练批次达到预设训练批次时，结束训练。3.根据权利要求2所述的方法，其特征在于，所述ResNet18子模型包括：Conv1层、Conv2_x层、Conv3_x层、Conv4_x层和Conv5_x层；相应地，所述将每批图像训练集中的每张训练图像依次输入所述ResNet18子模型获取对应训练图像的面部特征序列，包括：通过Conv1层、Conv2_x层、Conv3_x层、Conv4_x层和Conv5_x层获得每批图像训练集中的每张训练图像的特征图；对每张训练图像的特征图进行维度调整，获得对应训练图像的面部特征...

【专利技术属性】
技术研发人员：马业轩，刘朝阳，徐雷，
申请(专利权)人：中国第一汽车股份有限公司，
类型：发明
国别省市：