CN107729872A - 基于深度学习的人脸表情识别方法及装置 - Google Patents
基于深度学习的人脸表情识别方法及装置 Download PDFInfo
- Publication number
- CN107729872A CN107729872A CN201711067390.4A CN201711067390A CN107729872A CN 107729872 A CN107729872 A CN 107729872A CN 201711067390 A CN201711067390 A CN 201711067390A CN 107729872 A CN107729872 A CN 107729872A
- Authority
- CN
- China
- Prior art keywords
- convolution kernel
- face region
- human face
- region image
- length
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000008921 facial expression Effects 0.000 title claims abstract description 23
- 238000013135 deep learning Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 25
- 230000014509 gene expression Effects 0.000 claims description 21
- 210000002569 neuron Anatomy 0.000 claims description 9
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 5
- 238000011426 transformation method Methods 0.000 claims description 5
- 230000001815 facial effect Effects 0.000 abstract description 5
- 238000007781 pre-processing Methods 0.000 abstract 3
- 238000012549 training Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000010195 expression analysis Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/174—Facial expression recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种基于深度学习的人脸表情识别方法及装置,装置包括人脸识别模块、预处理模块、人脸表情识别模块,其中,人脸识别模块,用于从输入图像中识别出人脸区域图像;预处理模块,用于对人脸区域图像进行预处理,将人脸区域图像调整为正面人脸姿态的人脸区域图像;人脸表情识别模块,用于将预处理后的人脸区域图像输入卷积神经网络模型,输出人脸表情识别结果。本发明的方法及装置,建立了一种卷积神经网络模型,可识别人脸表情,识别效率高。
Description
技术领域
本发明涉及一种基于深度学习的人脸表情识别方法及装置,属于图像处理及计算机视觉技术领域。
背景技术
人脸表情携带着很大的信息量,通过分析人脸表情,进而分析人类的心理活动和精神状态,具有广泛的应用前景,目前已在互动游戏平台、安全驾驶提醒、远程教育***、智能交通、辅助医护等方面取得了良好的应用效果。
随着信息技术的发展,深度学习技术已经在信号处理和计算机视觉等领域引起较大的反响,其本质是通过构建含有多层神经网络和海量的训练样本,把低层特征组合起来形成高层特征进行表示,进而增强模型的分类或预测能力。区别于支持向量机和神经网络等浅层学习方法,深度学习不仅强调了学习模型的深度,而且突出了特征学习对于网络模型的重要性。经过不断的发展,科研人员已对人脸表情识别问题进行了较多的研究,并提出了各种不同的方法,但将深度学习技术应用于人脸表情识别的研究成果还不是很多,尚未取得良好的识别效果。
发明内容
鉴于上述原因,本发明的目的在于提供一种基于深度学习的人脸表情识别方法及装置,建立了一种卷积神经网络模型,能够识别多种人脸表情,识别效率高。
为实现上述目的,本发明采用以下技术方案:
一种基于深度学习的人脸表情识别装置,包括人脸识别模块、预处理模块、人脸表情识别模块,
人脸识别模块,用于从输入图像中识别出人脸区域图像;
预处理模块,用于对人脸区域图像进行预处理,将人脸区域图像调整为正面人脸姿态的人脸区域图像;
人脸表情识别模块,用于将预处理后的人脸区域图像输入卷积神经网络模型,输出人脸表情识别结果。
将所述预处理后的人脸区域图像裁剪为大小为227*227的特征图,输入所述卷积神经网络模型;
所述卷积神经网络模型包括依序连接的2个卷积层、1个池化层、2个卷积层、1个池化层和2个全连接层;
1)卷积层I,卷积核大小为11*11,步长为4,卷积核个数为96,无填充;
2)卷积层II,卷积核大小为3*3,步长为2,卷积核个数为128,填充为2;
3)池化层I,卷积核大小为3*3,步长为2,无填充;
4)卷积层III,卷积核大小为3*3,步长为1,卷积核个数为256,无填充;
5)卷积层IV,卷积核大小为2*2,步长为2,卷积核个数为256,无填充;
6)池化层II,卷积核大小为2*2,步长为2,无填充;
7)全连接层I,将池化层II输出的特征图转换为一维特征向量;
8)全连接层II,对全连接层I中的神经元进行全链接,得到7个预测值,输入到Softmax分类器。
所述人脸识别模块利用harr特征检测算法、adaboost分类算法识别出所述人脸区域图像。
所述预处理模块将具有一定程度的姿态变化的人脸区域图像利用仿射变换方法矫正为相似的正面人脸姿态的人脸区域图像。
一种基于深度学习的人脸表情识别方法,包括:
识别人脸区域图像;
将人脸区域图像调整为正面人脸姿态的人脸区域图像;
将调整后的人脸区域图像输入卷积神经网络模型,输出人脸表情识别结果。
所述卷积神经网络模型包括依序连接的2个卷积层、1个池化层、2个卷积层、1个池化层和2个全连接层;
1)卷积层I,卷积核大小为11*11,步长为4,卷积核个数为96,无填充;
2)卷积层II,卷积核大小为3*3,步长为2,卷积核个数为128,填充为2:
3)池化层I,卷积核大小为3*3,步长为2,无填充;
4)卷积层III,卷积核大小为3*3,步长为1,卷积核个数为256,无填充;
5)卷积层IV,卷积核大小为2*2,步长为2,卷积核个数为256,无填充;
6)池化层II,卷积核大小为2*2,步长为2,无填充;
7)全连接层I,将池化层II输出的特征图转换为一维特征向量;
8)全连接层II,对全连接层I中的神经元进行全链接,得到7个预测值,输入到Softmax分类器。
利用harr特征检测算法、adaboost分类算法识别所述人脸区域图像。
将具有一定程度的姿态变化的人脸区域图像利用仿射变换方法调整为相似的正面人脸姿态的人脸区域图像。
本发明的优点是:
本发明的人脸表情识别方法及装置,通过深度学习实现了人脸表情识别,与传统的表情分析相比显著优势。首先,卷积神经网络模型采用非全连接方式传递特征,且同一特征图中神经元之间具有权值共享特点,减少了权值数量,降低了网络模型的复杂度,提高训练效率;第二,卷积神经网络模型直接使用训练图像样本进行自主学习,隐式的获取图像特征,实现特征提取和表情分类的同时进行;第三,与传统的sigmoid算法、tanh算法相比,卷积神经网络模型是不饱和的非线性函数,可以大幅加快训练速度,对于深度卷积神经网络来说,能够节省训练时间,提高识别效率。
附图说明
图1是本发明的人脸表情识别装置结构框图。
图2是本发明的adaboost分类算法流程图。
图3A是本发明的卷积神经网络局部连接示意图。
图3B是本发明的卷积神经网络权重共享示意图。
图4是本发明的卷积神经网络模型的结构框图。
图5是本发明的人脸表情识别方法流程示意图。
具体实施方式
以下结合附图和实施例对本发明作进一步详细的描述。
如图1所示,本发明公开的基于深度学习的人脸表情识别装置,包括人脸识别模块、预处理模块、人脸表情识别模块。
人脸识别模块,用于从输入图像中识别出人脸区域图像;
预处理模块,用于对识别出的人脸区域图像进行预处理,将人脸区域图像调整为正面人脸姿态的人脸区域图像;
人脸表情识别模块,用于将预处理后的人脸区域图像输入卷积神经网络模型,输出人脸表情识别结果。
如图5所示,本发明的基于深度学习的人脸表情识别方法,包括:
S1:根据输入图像,利用人脸检测算法识别出人脸区域图像;
人脸检测算法包括,先利用harr特征检测算法识别图像中是否存在人脸,若存在人脸,则对图像中的人脸图像进行特征提取,得到人脸特征值;
其次,将人脸特征值输入adaboost分类算法,以识别出人脸区域图像。如图2所示,将人脸特征值输入adaboost分类算法,训练出分类器,分类器由多个子分类器级联而成,每级都以大概相同的识别率保留进入下一级的具有物体特征的候选物体,每一级子分类器由多个人脸特征值构成(由积分图像计算得到,并保存人脸特征所在位置),人脸特征包括水平、竖直、倾斜形态,且每个人脸特征值设置一个特征阈值和两个分支值,每级子分类器设置一个特征总阈值。
adaboost分类算法的基本原理为:识别物体的时候,同时计算积分图像为后面计算haar特征做准备,然后采用与训练的时候有物体的窗口同样大小的窗口遍历整幅图像,以后逐渐放大窗口,同样做遍历搜索物体;每当窗口移动到一个位置,即计算该窗口内的haar特征,加权后与分类器中haar特征的阈值比较从而选择左或者右分支值,累加一个级的分支值与相应级的特征总阈值比较,大于该特征总阈值才可以通过进入下一轮筛选。当通过分类器所有级的时候说明这个物体以大概率被识别。
S2:对识别出的人脸区域图像,进行预处理;
基于识别出的人脸区域图像,若其中的人脸存在倾斜、旋转等较大的姿态变化时,识别率会随之下降。因此,将具有一定程度的姿态变化的人脸区域图像利用仿射变换方法矫正为相似的正面人脸姿态的人脸区域图像。
S3:将预处理后的人脸区域图像输入卷积神经网络模型,输出人脸表情识别结果。
如图3A所示,该卷积神经网络模型中,层与层之间的节点连接不再是全连接,而是局部连接的,下一层只和上一层的局部数据有关,减少了计算参数,降低了网络模型的复杂度,提高训练效率。卷积神经网络的神经元之间具有权值共享特点。
如图3B所示,不同形式线条标注的连接权值相同,减少了权值数量。所以卷积神经网络的训练效率更高。
如图4所示,该卷积神经网络模型包括依序连接的2个卷积层、1个池化层、2个卷积层、1个池化层和2个全连接层。
输入卷积神经网络模型的人脸区域图像先通过随机裁剪处理得到统一大小的227*227的特征图,再输入模型。
1)卷积层I,卷积核大小为11*11,步长为4,卷积核个数为96,无填充,输入的大小为227*227的特征图,经过卷积层I处理之后,输出96个大小为55*55的特征图;
其中,输入的特征图与输出的特征图的关系为:
imageh为输入的特征图尺寸,pad为填充大小,kernelh为卷积核大小,stride为步长。
2)卷积层II,卷积核大小为3*3,步长为2,卷积核个数为128,填充为2,输入的96个大小为55*55的特征图,经过卷积层II处理之后,输出128个大小为29*29的特征图;
3)池化层I,相当于下采样的过程,卷积核大小为3*3,步长为2,输入的128个大小为29*29的特征图,经过池化层I处理之后,输出128个大小为14*14的特征图;
4)卷积层III,卷积核大小为3*3,步长为1,卷积核个数为256,无填充,输入的128个大小为14*14的特征图,经过卷积层III处理后,输出256个大小为12*12的特征图;
5)卷积层IV,卷积核大小为2*2,步长为2,卷积核个数为256,无填充,输入的256个大小为12*12的特征图,经过卷积层IV处理后,输出256个大小为6*6的特征图;
6)池化层II,卷积核大小为2*2,步长为2,输入的256个大小为6*6的特征图,经过池化层II处理后,输出256个大小为3*3的特征图;
7)全连接层I,使用512个神经元,对256个大小为3*3特征图进行全链接,将输入的大小为3*3的特征图转换为一维特征向量;
8)全连接层II,采用7个神经元,然后对全连接层I中512个神经元进行全连接,然后通过高斯过滤器,得到7个预测值,将7个预测值输入到Softmax分类器,由Softmax分类器对输入的预测值进行分类,输出的分类结果即为7种可识别的人脸表情。
在上述卷积神经网络模型中,采用修正线性单元(Rectified Linear Units,ReLU)作为激活函数。
如图5虚线部分所示,上述卷积神经网络模型由训练图像集通过模型训练得到,可识别生气、厌恶、恐惧、高兴、悲伤、惊讶、平静等人脸表情。
以上所述是本发明的较佳实施例及其所运用的技术原理,对于本领域的技术人员来说,在不背离本发明的精神和范围的情况下,任何基于本发明技术方案基础上的等效变换、简单替换等显而易见的改变,均属于本发明保护范围之内。
Claims (8)
1.基于深度学习的人脸表情识别装置,其特征在于,包括人脸识别模块、预处理模块、人脸表情识别模块,
人脸识别模块,用于从输入图像中识别出人脸区域图像;
预处理模块,用于对人脸区域图像进行预处理,将人脸区域图像调整为正面人脸姿态的人脸区域图像;
人脸表情识别模块,用于将预处理后的人脸区域图像输入卷积神经网络模型,输出人脸表情识别结果。
2.根据权利要求1所述的基于深度学习的人脸表情识别装置,其特征在于,将所述预处理后的人脸区域图像裁剪为大小为227*227的特征图,输入所述卷积神经网络模型;
所述卷积神经网络模型包括依序连接的2个卷积层、1个池化层、2个卷积层、1个池化层和2个全连接层;
1)卷积层I,卷积核大小为11*11,步长为4,卷积核个数为96,无填充;
2)卷积层II,卷积核大小为3*3,步长为2,卷积核个数为128,填充为2:
3)池化层I,卷积核大小为3*3,步长为2,无填充;
4)卷积层III,卷积核大小为3*3,步长为1,卷积核个数为256,无填充;
5)卷积层IV,卷积核大小为2*2,步长为2,卷积核个数为256,无填充;
6)池化层II,卷积核大小为2*2,步长为2,无填充;
7)全连接层I,将池化层II输出的特征图转换为一维特征向量;
8)全连接层II,对全连接层I中的神经元进行全链接,得到7个预测值,输入到Softmax分类器。
3.根据权利要求2所述的基于深度学习的人脸表情识别装置,其特征在于,所述人脸识别模块利用harr特征检测算法、adaboost分类算法识别出所述人脸区域图像。
4.根据权利要求2所述的基于深度学习的人脸表情识别装置,其特征在于,所述预处理模块将具有一定程度的姿态变化的人脸区域图像利用仿射变换方法矫正为相似的正面人脸姿态的人脸区域图像。
5.基于深度学习的人脸表情识别方法,其特征在于,包括:
识别人脸区域图像;
将人脸区域图像调整为正面人脸姿态的人脸区域图像;
将调整后的人脸区域图像输入卷积神经网络模型,输出人脸表情识别结果。
6.根据权利要求5所述的基于深度学习的人脸表情识别方法,其特征在于,所述卷积神经网络模型包括依序连接的2个卷积层、1个池化层、2个卷积层、1个池化层和2个全连接层;
1)卷积层I,卷积核大小为11*11,步长为4,卷积核个数为96,无填充;
2)卷积层II,卷积核大小为3*3,步长为2,卷积核个数为128,填充为2:
3)池化层I,卷积核大小为3*3,步长为2,无填充;
4)卷积层III,卷积核大小为3*3,步长为1,卷积核个数为256,无填充;
5)卷积层IV,卷积核大小为2*2,步长为2,卷积核个数为256,无填充;
6)池化层II,卷积核大小为2*2,步长为2,无填充;
7)全连接层I,将池化层II输出的特征图转换为一维特征向量;
8)全连接层II,对全连接层I中的神经元进行全链接,得到7个预测值,输入到Softmax分类器。
7.根据权利要求6所述的基于深度学习的人脸表情识别方法,其特征在于,利用harr特征检测算法、adaboost分类算法识别所述人脸区域图像。
8.根据权利要求6所述的基于深度学习的人脸表情识别方法,其特征在于,将具有一定程度的姿态变化的人脸区域图像利用仿射变换方法调整为相似的正面人脸姿态的人脸区域图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711067390.4A CN107729872A (zh) | 2017-11-02 | 2017-11-02 | 基于深度学习的人脸表情识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711067390.4A CN107729872A (zh) | 2017-11-02 | 2017-11-02 | 基于深度学习的人脸表情识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107729872A true CN107729872A (zh) | 2018-02-23 |
Family
ID=61222036
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711067390.4A Pending CN107729872A (zh) | 2017-11-02 | 2017-11-02 | 基于深度学习的人脸表情识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107729872A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108664947A (zh) * | 2018-05-21 | 2018-10-16 | 五邑大学 | 一种基于表情识别的疲劳驾驶预警方法 |
CN108710829A (zh) * | 2018-04-19 | 2018-10-26 | 北京红云智胜科技有限公司 | 一种基于深度学习的表情分类及微表情检测的方法 |
CN109034143A (zh) * | 2018-11-01 | 2018-12-18 | 云南大学 | 基于视频放大和深度学习的人脸微表情识别方法 |
CN109498059A (zh) * | 2018-12-18 | 2019-03-22 | 首都师范大学 | 一种非接触式人体状态监测***及人体状态管理监测方法 |
CN109740625A (zh) * | 2018-11-22 | 2019-05-10 | 深圳市三诺数字科技有限公司 | 一种基于特征融合的安全驾驶判别方法、***及车辆 |
CN110110672A (zh) * | 2019-05-10 | 2019-08-09 | 广东工业大学 | 一种人脸表情识别方法、装置及设备 |
CN110110666A (zh) * | 2019-05-08 | 2019-08-09 | 北京字节跳动网络技术有限公司 | 目标检测方法和装置 |
CN110399821A (zh) * | 2019-07-17 | 2019-11-01 | 上海师范大学 | 基于人脸表情识别的顾客满意度获取方法 |
WO2019213819A1 (zh) * | 2018-05-07 | 2019-11-14 | 合刃科技(武汉)有限公司 | 拍摄控制方法及电子装置 |
CN110532940A (zh) * | 2019-08-27 | 2019-12-03 | 河海大学 | 一种人脸表情识别方法 |
CN110705430A (zh) * | 2019-09-26 | 2020-01-17 | 江苏科技大学 | 基于深度学习的多人面部表情识别方法和识别*** |
CN110866962A (zh) * | 2019-11-20 | 2020-03-06 | 成都威爱新经济技术研究院有限公司 | 一种基于卷积神经网络的虚拟人像与表情同步方法 |
CN111178312A (zh) * | 2020-01-02 | 2020-05-19 | 西北工业大学 | 基于多任务特征学习网络的人脸表情识别方法 |
CN111191598A (zh) * | 2019-12-30 | 2020-05-22 | 青岛联合创智科技有限公司 | 一种基于智能陪伴机器人的人脸表情识别方法 |
CN111401116A (zh) * | 2019-08-13 | 2020-07-10 | 南京邮电大学 | 基于增强卷积和空时lstm网络的双模态情感识别方法 |
CN111832499A (zh) * | 2020-07-17 | 2020-10-27 | 东华理工大学 | 一种简易人脸识别分类*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110029471A1 (en) * | 2009-07-30 | 2011-02-03 | Nec Laboratories America, Inc. | Dynamically configurable, multi-ported co-processor for convolutional neural networks |
CN103810491A (zh) * | 2014-02-19 | 2014-05-21 | 北京工业大学 | 融合深度和灰度图像特征点的头姿估计兴趣点检测方法 |
CN104156695A (zh) * | 2014-07-18 | 2014-11-19 | 小米科技有限责任公司 | 一种人脸图像的校正方法及装置 |
CN106650621A (zh) * | 2016-11-18 | 2017-05-10 | 广东技术师范学院 | 一种基于深度学习的情绪识别方法及*** |
CN106778563A (zh) * | 2016-12-02 | 2017-05-31 | 江苏大学 | 一种基于空间连贯特征的快速任意姿态人脸表情识别方法 |
CN107092960A (zh) * | 2017-04-17 | 2017-08-25 | 中国民航大学 | 一种改进的并行通道卷积神经网络训练方法 |
CN107292256A (zh) * | 2017-06-14 | 2017-10-24 | 西安电子科技大学 | 基于辅任务的深度卷积小波神经网络表情识别方法 |
-
2017
- 2017-11-02 CN CN201711067390.4A patent/CN107729872A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110029471A1 (en) * | 2009-07-30 | 2011-02-03 | Nec Laboratories America, Inc. | Dynamically configurable, multi-ported co-processor for convolutional neural networks |
CN103810491A (zh) * | 2014-02-19 | 2014-05-21 | 北京工业大学 | 融合深度和灰度图像特征点的头姿估计兴趣点检测方法 |
CN104156695A (zh) * | 2014-07-18 | 2014-11-19 | 小米科技有限责任公司 | 一种人脸图像的校正方法及装置 |
CN106650621A (zh) * | 2016-11-18 | 2017-05-10 | 广东技术师范学院 | 一种基于深度学习的情绪识别方法及*** |
CN106778563A (zh) * | 2016-12-02 | 2017-05-31 | 江苏大学 | 一种基于空间连贯特征的快速任意姿态人脸表情识别方法 |
CN107092960A (zh) * | 2017-04-17 | 2017-08-25 | 中国民航大学 | 一种改进的并行通道卷积神经网络训练方法 |
CN107292256A (zh) * | 2017-06-14 | 2017-10-24 | 西安电子科技大学 | 基于辅任务的深度卷积小波神经网络表情识别方法 |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108710829A (zh) * | 2018-04-19 | 2018-10-26 | 北京红云智胜科技有限公司 | 一种基于深度学习的表情分类及微表情检测的方法 |
WO2019213819A1 (zh) * | 2018-05-07 | 2019-11-14 | 合刃科技(武汉)有限公司 | 拍摄控制方法及电子装置 |
CN111295875A (zh) * | 2018-05-07 | 2020-06-16 | 合刃科技(武汉)有限公司 | 拍摄控制方法及电子装置 |
CN108664947A (zh) * | 2018-05-21 | 2018-10-16 | 五邑大学 | 一种基于表情识别的疲劳驾驶预警方法 |
CN109034143A (zh) * | 2018-11-01 | 2018-12-18 | 云南大学 | 基于视频放大和深度学习的人脸微表情识别方法 |
CN109740625A (zh) * | 2018-11-22 | 2019-05-10 | 深圳市三诺数字科技有限公司 | 一种基于特征融合的安全驾驶判别方法、***及车辆 |
CN109498059A (zh) * | 2018-12-18 | 2019-03-22 | 首都师范大学 | 一种非接触式人体状态监测***及人体状态管理监测方法 |
CN110110666A (zh) * | 2019-05-08 | 2019-08-09 | 北京字节跳动网络技术有限公司 | 目标检测方法和装置 |
CN110110672A (zh) * | 2019-05-10 | 2019-08-09 | 广东工业大学 | 一种人脸表情识别方法、装置及设备 |
CN110399821A (zh) * | 2019-07-17 | 2019-11-01 | 上海师范大学 | 基于人脸表情识别的顾客满意度获取方法 |
CN111401116B (zh) * | 2019-08-13 | 2022-08-26 | 南京邮电大学 | 基于增强卷积和空时lstm网络的双模态情感识别方法 |
CN111401116A (zh) * | 2019-08-13 | 2020-07-10 | 南京邮电大学 | 基于增强卷积和空时lstm网络的双模态情感识别方法 |
CN110532940A (zh) * | 2019-08-27 | 2019-12-03 | 河海大学 | 一种人脸表情识别方法 |
CN110705430A (zh) * | 2019-09-26 | 2020-01-17 | 江苏科技大学 | 基于深度学习的多人面部表情识别方法和识别*** |
CN110866962A (zh) * | 2019-11-20 | 2020-03-06 | 成都威爱新经济技术研究院有限公司 | 一种基于卷积神经网络的虚拟人像与表情同步方法 |
CN111191598A (zh) * | 2019-12-30 | 2020-05-22 | 青岛联合创智科技有限公司 | 一种基于智能陪伴机器人的人脸表情识别方法 |
CN111178312A (zh) * | 2020-01-02 | 2020-05-19 | 西北工业大学 | 基于多任务特征学习网络的人脸表情识别方法 |
CN111178312B (zh) * | 2020-01-02 | 2023-03-24 | 西北工业大学 | 基于多任务特征学习网络的人脸表情识别方法 |
CN111832499A (zh) * | 2020-07-17 | 2020-10-27 | 东华理工大学 | 一种简易人脸识别分类*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107729872A (zh) | 基于深度学习的人脸表情识别方法及装置 | |
CN107145893A (zh) | 一种基于卷积深度网络的图像识别算法及*** | |
JP6788264B2 (ja) | 表情認識方法、表情認識装置、コンピュータプログラム及び広告管理システム | |
CN110399821B (zh) | 基于人脸表情识别的顾客满意度获取方法 | |
CN107506722A (zh) | 一种基于深度稀疏卷积神经网络人脸情感识别方法 | |
CN107292250A (zh) | 一种基于深度神经网络的步态识别方法 | |
CN107341452A (zh) | 基于四元数时空卷积神经网络的人体行为识别方法 | |
CN110210555A (zh) | 基于深度学习的钢轨鱼鳞伤损检测方法 | |
CN107657249A (zh) | 多尺度特征行人重识别的方法、装置、存储介质及处理器 | |
CN107153810A (zh) | 一种基于深度学习的手写体数字识别方法及*** | |
CN107808132A (zh) | 一种融合主题模型的场景图像分类方法 | |
CN109871781A (zh) | 基于多模态3d卷积神经网络的动态手势识别方法及*** | |
CN107944399A (zh) | 一种基于卷积神经网络目标中心模型的行人重识别方法 | |
CN107945153A (zh) | 一种基于深度学习的路面裂缝检测方法 | |
CN106407903A (zh) | 基于多尺度卷积神经网络的实时人体异常行为识别方法 | |
CN106408562A (zh) | 基于深度学习的眼底图像视网膜血管分割方法及*** | |
CN106682569A (zh) | 一种基于卷积神经网络的快速交通标识牌识别方法 | |
CN106529578A (zh) | 一种基于深度学习的车辆品牌型号精细识别方法与*** | |
CN112784763A (zh) | 基于局部与整体特征自适应融合的表情识别方法及*** | |
CN107622261A (zh) | 基于深度学习的人脸年龄估计方法及装置 | |
CN108229523A (zh) | 图像检测、神经网络训练方法、装置和电子设备 | |
CN106709528A (zh) | 基于多目标函数深度学习的车辆重识别方法及装置 | |
CN110082821A (zh) | 一种无标签框微地震信号检测方法及装置 | |
CN113011386B (zh) | 一种基于等分特征图的表情识别方法及*** | |
CN112597873A (zh) | 一种基于深度学习的双通道人脸表情识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180223 |
|
RJ01 | Rejection of invention patent application after publication |