CN107958230A - 人脸表情识别方法及装置 - Google Patents

Abstract

本发明适用于人脸表情识别技术领域，提供了人脸表情识别方法及装置，包括：获取待处理图像；从所述待处理图像中提取人脸图像；基于深度学习对所述人脸图像进行表情分类，获取所述人脸图像的人脸表情标签，其中，所述人脸表情标签指示所述人脸的表情；对所述人脸图像进行人脸验证，获取人脸验证结果，其中，所述人脸验证结果指示所述人脸所属的用户的信息；显示所述人脸表情标签和所述人脸验证结果。通过本发明可解决现有技术中表情识别的准确率较低，且表情缺乏关联，无法获知同一用户的不同表情的问题。

Description

人脸表情识别方法及装置

技术领域

本发明属于人脸表情识别技术领域，尤其涉及人脸表情识别方法及装置。

背景技术

人脸表情识别是指从给定的图像中分析检测出人脸的表情状态，从而确定出被识别对象的心理情绪，例如，自然、高兴、生气、吃惊等。人脸表情识别是一个重要的领域，其有助于人物心情分析，人物性格分析，抑郁症检测等众多领域的发展。因此解决人脸表情识别人体具有十分重要的价值。然而，现有的人脸表情识别对表情特征的鲁棒性较差，容易受到身份信息等噪声的干扰，导致表情识别的准确率较低。同时目前的表情识别算法通常只能进行目标表情识别，表情缺乏关联，无法获知同一用户的不同表情。

故，有必要提出一种新的技术方案，以解决上述技术问题。

发明内容

有鉴于此，本发明提供了人脸表情识别方法及装置，以解决现有技术中表情识别的准确率较低，且表情缺乏关联，无法获知同一用户的不同表情的问题。

本发明的第一方面提供了一种人脸表情识别方法，所述人脸表情识别方法包括：

获取待处理图像；

从所述待处理图像中提取人脸图像；

基于深度学习对所述人脸图像进行表情分类，获取所述人脸图像的人脸表情标签，其中，所述人脸表情标签指示所述人脸的表情；

对所述人脸图像进行人脸验证，获取人脸验证结果，其中，所述人脸验证结果指示所述人脸所属的用户的信息；

显示所述人脸表情标签和所述人脸验证结果。

本发明的第二方面提供了一种人脸表情识别装置，所述人脸表情识别装置包括：

图像获取模块，用于获取待处理图像；

人脸提取模块，用于从所述待处理图像中提取人脸图像；

表情分类模块，用于基于深度学习对所述人脸图像进行表情分类，获取所述人脸图像的人脸表情标签，其中，所述人脸表情标签指示所述人脸的表情；

人脸验证模块，用于对所述人脸图像进行人脸验证，获取人脸验证结果，其中，所述人脸验证结果指示所述人脸所属的用户的信息；

显示模块，用于显示所述人脸表情标签和所述人脸验证结果。

本发明的第三方面提供了一种人脸表情识别装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述人脸表情识别方法的步骤。

本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述人脸表情识别方法的步骤。

本发明与现有技术相比存在的有益效果是：本发明方案获取待处理图像，从该待处理图像中提取人脸图像，并基于深度学习对该人脸图像进行表情分类，获取该人脸图像的人脸表情标签，通过对人脸图像进行人脸验证，可以获取人脸验证结果，从而获知该人脸所属的用户。本发明方案通过基于深度学习对人脸图像中的表情进行识别，提高了表情识别的准确性，并通过对人脸图像进行人脸验证，可将人脸图像中的表情进行关联，判断是否属于同一用户的不同表情。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例一提供的人脸表情识别方法的实现流程示意图；

图2a是同一用户的不同表情的示例图；图2b是不同用户的表情的示例图；

图3是本发明实施例二提供的人脸表情识别方法的实现流程示意图；

图4是本发明实施例三提供的人脸表情识别方法的实现流程示意图；

图5是本发明实施例四提供的人脸表情识别装置的示意图；

图6是本发明实施例五提供的人脸表情识别装置的示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

应理解，本实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

参见图1，是本发明实施例一提供的人脸表情识别方法的实现流程示意图，如图所示该人脸表情识别方法可以包括以下步骤：

步骤S101，获取待处理图像。

在本发明实施例中，所述待处理图像可以是直接向人脸表情识别装置输入的图像，也可以是通过向人脸表情识别装置输入视频获取的图像或者人脸表情识别装置直接连接摄像装置获取的图像。其中，使用视频或者摄像装置通常是从视频中提取每一帧进行处理。需要说明的是，所述待处理图像的数量可以为一个或者多个，在此不做限定。例如，待处理图像为视频相隔一秒的两帧图像，即待处理图像的数量为两个。

步骤S102，从所述待处理图像中提取人脸图像。

在本发明实施例中，可以通过Dlib机器学习库确定待处理图像中人脸的位置信息，然后从待处理图像中进行人脸提取，Dlib是一个由C++编写的机器学习库，包含了许多机器学习常用算法。如果待处理图像中包含多个人脸，那么在对待处理图像中的人脸进行提取后，可能会获得多个大小不同的人脸图像，然后再对获得的多个人脸图像分别进行表情分类和人脸验证，以识别出每个人脸的表情，并获取每个人脸所属的用户的信息，从而可判断多个人脸是否属于同一用户。

步骤S103，基于深度学习对所述人脸图像进行表情分类，获取所述人脸图像的人脸表情标签。

其中，所述人脸表情标签指示所述人脸的表情。

在本发明实施例中，可以通过卷积神经网络(Convolutional Neural Network，CNN)对所述人脸图像进行表情分类，即识别出所述人脸图像中人脸的表情。

步骤S104，对所述人脸图像进行人脸验证，获取人脸验证结果。

其中，所述人脸验证结果指示所述人脸所属的用户的信息。

在本发明实施例中，可以通过人脸验证模型(例如DeepID人脸验证模型)对所述人脸图像进行人脸验证，具体可以是通过人脸验证模型验证所述人脸图像中的人脸属于人脸表情数据库中的哪个用户的人脸。其中，人脸表情数据库中可以存储多个用户的信息以及多个用户中每个用户的人脸表情，用户的信息可以是指表征用户的身份的标识信息，能够区分不同的用户，例如为人脸表情数据库中的每个用户设置一个序号。

可选的，在执行步骤S102之后，可以同时执行步骤S103和S104。

步骤S105，显示所述人脸表情标签和所述人脸验证结果。

具体的可以是显示所述人脸图像、所述人脸表情标签以及所述人脸验证结果，并可以将所述人脸表情标签和所述人脸验证结果显示在所述人脸图像的指定位置(例如所述人脸图像的上方、下方、左侧或右侧)，以便于用户知晓所述人脸表情标签和所述人脸验证结果对应哪个人脸图像，并更新人脸表情数据库，以增加人脸表情数据中该人脸所属用户的人脸表情标签。

在本发明实施例中，显示所述人脸表情标签可以便于用户查看所述人脸图像中人脸的表情，显示所述人脸验证结果可以便于查看所述人脸图像中人脸属于哪个用户，同时显示所述人脸表情标签和所述人脸验证结果可以便于用户查看所述人脸图像中人脸的表情属于哪个用户。在步骤S102提取的人脸图像的数量为多个时，可以在每个人脸图像的指定位置显示该人脸图像的人脸表情标签和人脸验证结果。如图2a所示是同一用户的不同表情的示例图，图2a中的p1为用户的序号。如图2b所示是不同用户的表情的示例图。不同的序号可以表示不同的用户，从而便于用户通过查看人脸图像中序号就可获知识别出人脸表情是否属于同一用户，例如图2b中的p2和p3。

本发明实施例通过基于深度学习对人脸图像中的表情进行识别，提高了表情识别的准确性，并通过对人脸图像进行人脸验证，可将人脸图像中的表情进行关联，判断是否属于同一用户的不同表情。

参见图3，是本发明实施例二提供的人脸表情识别方法的实现流程示意图，如图所示该人脸表情识别方法可以包括以下步骤：

步骤S301，获取待处理图像。

该步骤与步骤S101相同，具体可参见步骤S101的相关描述，在此不再赘述。

步骤S302，从所述待处理图像中提取人脸图像。

该步骤与步骤S102相同，具体可参见步骤S102的相关描述，在此不再赘述。

步骤S303，将所述人脸图像的大小调整至第一预设大小。

在本发明实施例中，可以将所述人脸图像的大小进行缩放调整至第一预设大小，具体的可以是将所述人脸图像的大小进行缩放调整至M*M(例如48*48)的大小，其中，M为大于零的整数。

步骤S304，从调整后的所述人脸图像中的N个预设位置处分别分割出一个大小为第二预设大小的图像。

其中，N为大于零的整数。

在本发明实施例中，对所述人脸图像的大小进行缩放调整后，对缩放调整后的所述人脸图像进行分割，可以从所述人脸图像中的N个预设位置处分别分割出一个大小为第二预设大小的图像，即从所述人脸图像中分割出N个大小为第二预设大小的图像。例如，从所述人脸图像的左上角、左下角、右上角、右下角和中心位置分别分割出一个大小为42*42的图像，即从所述人脸图像中分割五个大小为42*42的图像。

步骤S305，将分割出的N个图像输入至卷积神经网络CNN表情分类模型中进行预测，获取所述人脸图像的人脸表情标签。

其中，所述人脸表情标签指示所述人脸的表情。

在本发明实施中，可以将步骤S304获得的上述N个预设位置的图像输入至已训练好的CNN表情分类模型中进行预测，那么就可以获取N个预设位置的图像中每个图像的各个表情的预测概率，将各个表情中预测概率的均值最大的表情作为上述人脸图像的表情。

其中，上述CNN表情分类模型的训练方法具体可以是：获取表情分类数据集，对所述表情分类数据集中的所有图像进行预处理(从所述所有图像中筛选出人脸图像，并将筛选出的人脸图像的大小调整至第一预设大小)，获得大小为第一预设大小的人脸图像，对该人脸图像中的每个人脸图像进行随机分割，分割出K(其中，K为大于零的整数，例如八)个大小为第二预设大小的图像，并将从每个人脸图像中分割出的K个图像随机进行翻转来训练，这样有助于提高模型的空间适应性，获取表情分类结果，然后进行损失函数Loss的计算，并使用随机梯度下降优化器进行模型优化，其中学习率可以为0.001，总的迭代次数可以为50000次，并且每1000次会进行测试，测试数据集同样进行预处理获得大小为第一预设大小的人脸图像，然后在人脸图像中的预设位置处分别分割出一个大小为第二预设大小的图像进行测试，最后将预设位置的分类概率取均值得到表情分类结果，并计算准确率，保留准确率高的模型。

可选的，所述将分割出的N个图像输入至卷积神经网络CNN表情分类模型中进行预测，获取所述人脸图像的人脸表情标签包括：

将分割出的N个图像输入至CNN表情分类模型中进行预测，获取多种人脸表情在所述N个图像中每个图像的预测概率；

根据所述多种人脸表情在所述N个图像中每个图像的预测概率，计算所述多种人脸表情中每种人脸表情在所述N个图像中的预测概率的均值；

将所述多种人脸表情中预测概率的均值最大的人脸表情作为所述人脸图像的人脸表情标签。

其中，所述多种人脸表情包括但不限于自然、高兴、惊奇、伤心、害怕、生气等。

示例性的，从所述人脸图像的左上角、左下角、右上角、右下角和中心位置分别分割出一个大小为42*42的图像，可以分别定义为第一图像、第二图像、第三图像、第四图像和第五图像，将上述五个图像输入至CNN表情分类模型中进行预测，得到自然、高兴、惊奇、伤心、害怕、生气等在第一图像中的预测概率分别为0.6、0.1、0.1、0.1、0.1、0；上述六种表情在第二图像中的预测概率分别为0.5、0.2、0.1、0.1、0、0.1；上述六种表情在第三图像中的预测概率分别为0.6、0.1、0.1、0.1、0.1、0；上述六种表情在第四图像中的预测概率分别为0.5、0.2、0.1、0.1、0.1、0；上述六种表情在第五图像中的预测概率分别为0.7、0、0.1、0.1、0、0.1；根据上述六种表情在每个图像中的预测概率可以计算出上述六种表情在五个图像中的预测概率的均值分别为0.58(自然)、0.12(高兴)、0.1(惊奇)、0.1(伤心)、0.06(害怕)、0.04(生气)，从而可以判定上述人脸图像中的人脸表情为自然。

步骤S306，对所述人脸图像进行人脸验证，获取人脸验证结果。

其中，所述人脸验证结果指示所述人脸所属的用户的信息。

该步骤与步骤S104相同，具体可参见步骤S104的相关描述，在此不再赘述。

步骤S307，显示所述人脸表情标签和所述人脸验证结果。

该步骤与步骤S105相同，具体可参见步骤S105的相关描述，在此不再赘述。

本发明实施例在实施例一的基础上增加了通过CNN对人脸图像进行表情分类，从而识别出人脸图像中的表情，提高了表情识别的准确性。

参见图4，是本发明实施例三提供的人脸表情识别方法的实现流程示意图，如图所示该人脸表情识别方法可以包括以下步骤：

步骤S401，获取待处理图像。

该步骤与步骤S101相同，具体可参见步骤S101的相关描述，在此不再赘述。

步骤S402，从所述待处理图像中提取人脸图像。

该步骤与步骤S102相同，具体可参见步骤S102的相关描述，在此不再赘述。

步骤S403，基于深度学习对所述人脸图像进行表情分类，获取所述人脸图像的人脸表情标签。

其中，所述人脸表情标签指示所述人脸的表情。

该步骤与步骤S103相同，具体可参见步骤S103的相关描述，在此不再赘述。

步骤S404，将所述人脸图像的大小调整至第三预设大小。

在本发明实施例中，可以将所述人脸图像的大小进行缩放调整至第三预设大小，具体的可以是将所述人脸图像的大小进行缩放调整至L1*L2(例如39*31)的大小，其中，L1和L2为大于零的整数。

步骤S405，将调整后的所述人脸图像分割成多个图像。

在本发明实施例中，对所述人脸图像的大小进行缩放调整后，可以对缩放调整后的所述人脸图像进行随意分割，将缩放调整后的所述人脸图像分割成多个图像。其中，所述多个图像的大小可以相同，也可以不同，在此不做限定，对所述多个图像的数量也不做限定。

步骤S406，将所述多个图像输入至人脸验证模型，获取所述人脸在人脸表情数据库中每个用户的分类概率。

其中，所述人脸表情数据库可以是指存储有大量用户的信息以及每个用户的人脸表情标签的数据库。

步骤S407，若所述分类概率中的最大值大于预设阈值，则确定所述人脸所属的用户为所述分类概率中的最大值对应的用户。

在本发明实施例中，将分割成的多个图像分别输入至人脸验证模型(例如DeepID人脸验证模型)中，从而获取所述人脸图像中的人脸在人脸表情数据库中每个用户的分类概率，即所述人脸图像中的人脸的用户属于所述人脸表情数据库中每个用户的分类概率。例如，人脸表情数据库中存储有1000个用户的人脸表情标签，分别将该1000个用户用序号标号，例如p1、p2、p3，…，p1000,图1中人脸在人脸表情数据库中的每个用户分类概率分别为0.8、0、0、0.2、0，…，0，预设概率为0.6，可以判定图1中的人脸表情标签属于用户p1，即图1中的人脸图像属于用户p1的人脸图像，那么就可以在图1中人脸图像的上方显示该人脸的表情标签和用户的序号p1。

可选的，本发明实施例还包括：

若所述分类概率中的最大值小于或等于预设阈值，则确定所述人脸表情数据库中不存在所述人脸所属的用户；

将所述人脸表情标签和所述人脸所属的用户的信息添加至所述人脸表情数据库。

示例性的，人脸表情数据库中包含1000个用户，但是从待处理图像中提取的人脸图像并不属于这1000个用户中的任一个用户的人脸图像，此时，可以将人脸图像对应的用户的序号设定为p1001，将该人脸图像的人脸表情标签与该用户的信息的对应关系添加至人脸表情数据库。

在本发明实施例中，可以通过将所述人脸表情标签和所述人脸所属的用户的信息添加至所述人脸表情数据库，从而更新所述人脸表情数据库，同时为了提高人脸验证模型的准确性和便于后续可以通过该人脸验证模型对所述人脸所属的用户的人脸图像进行人脸验证，可以对人脸验证模型的最后Soft-max层进行更新以及再训练。

步骤S408，显示所述人脸表情标签和所述人脸所属的用户的信息。

该步骤与步骤S105相同，具体可参见步骤S105的相关描述，在此不再赘述。

本发明实施例通过基于深度学习对人脸图像中的表情进行识别，提高了表情识别的准确性，并通过对人脸图像进行人脸验证，可将人脸图像中的表情进行关联，判断是否属于同一用户的不同表情。

参见图5，是本发明实施例四提供的人脸表情识别装置的示意图，为了便于说明，仅示出了与本发明实施例相关的部分。

所述人脸表情识别装置包括：

图像获取模块51，用于获取待处理图像；

人脸提取模块52，用于从所述待处理图像中提取人脸图像；

表情分类模块53，用于基于深度学习对所述人脸图像进行表情分类，获取所述人脸图像的人脸表情标签，其中，所述人脸表情标签指示所述人脸的表情；

人脸验证模块54，用于对所述人脸图像进行人脸验证，获取人脸验证结果，其中，所述人脸验证结果指示所述人脸所属的用户的信息；

显示模块55，用于显示所述人脸表情标签和所述人脸验证结果。

可选的，所述表情分类模块53包括：

第一调整单元，用于将所述人脸图像的大小调整至第一预设大小；

第一分割单元，用于从调整后的所述人脸图像中的N个预设位置处分别分割出一个大小为第二预设大小的图像，其中，N为大于零的整数；

预测单元，用于将分割出的N个图像输入至卷积神经网络CNN表情分类模型中进行预测，获取所述人脸图像的人脸表情标签；

所述预测单元包括：

预测子单元，用于将分割出的N个图像输入至CNN表情分类模型中进行预测，获取多种人脸表情在所述N个图像中每个图像的预测概率；

计算子单元，用于根据所述多种人脸表情在所述N个图像中每个图像的预测概率，计算所述多种人脸表情中每种人脸表情在所述N个图像中的预测概率的均值；

确定子单元，用于将所述多种人脸表情中预测概率的均值最大的人脸表情作为所述人脸图像的人脸表情标签。

可选的，所述人脸验证模块54包括：

第二调整单元，用于将所述人脸图像的大小调整至第三预设大小；

第二分割单元，用于将调整后的所述人脸图像分割成多个图像；

图像输入单元，用于将所述多个图像输入至人脸验证模型，获取所述人脸在人脸表情数据库中每个用户的分类概率；

第一确定单元，用于若所述分类概率中的最大值大于预设阈值，则确定所述人脸所属的用户为所述分类概率中的最大值对应的用户；

第二确定单元，用于若所述分类概率中的最大值小于或等于预设阈值，则确定所述人脸表情数据库中不存在所述人脸所属的用户；

添加单元，用于将所述人脸表情标签和所述人脸所属的用户的信息添加至所述人脸表情数据库。

本发明实施例提供的人脸表情识别装置可以应用在前述方法实施例一、实施例二和实施例三中，详情参见上述方法实施例一、实施例二和实施例三的描述，在此不再赘述。

图6是本发明实施例五提供的人脸表情识别装置的示意图。如图6所示，该实施例的人脸表情识别装置6包括：处理器60、存储器61以及存储在所述存储器61中并可在所述处理器60上运行的计算机程序62。所述处理器60执行所述计算机程序62时实现上述各个人脸表情识别方法实施例中的步骤，例如图1所示的步骤S101至S105。或者，所述处理器60执行所述计算机程序62时实现上述各装置实施例中各模块/单元的功能，例如图5所示模块51至55的功能。

示例性的，所述计算机程序62可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器61中，并由所述处理器60执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序62在所述人脸表情识别装置6中的执行过程。例如，所述计算机程序62可以被分割成图像获取模块、人脸提取模块、表情分类模块、人脸验证模块以及显示模块，各模块具体功能如下：

图像获取模块，用于获取待处理图像；

人脸提取模块，用于从所述待处理图像中提取人脸图像；

表情分类模块，用于基于深度学习对所述人脸图像进行表情分类，获取所述人脸图像的人脸表情标签，其中，所述人脸表情标签指示所述人脸的表情；

人脸验证模块，用于对所述人脸图像进行人脸验证，获取人脸验证结果，其中，所述人脸验证结果指示所述人脸所属的用户的信息；

显示模块，用于显示所述人脸表情标签和所述人脸验证结果。

可选的，所述表情分类模块包括：

第一调整单元，用于将所述人脸图像的大小调整至第一预设大小；

第一分割单元，用于从调整后的所述人脸图像中的N个预设位置处分别分割出一个大小为第二预设大小的图像，其中，N为大于零的整数；

预测单元，用于将分割出的N个图像输入至卷积神经网络CNN表情分类模型中进行预测，获取所述人脸图像的人脸表情标签；

所述预测单元包括：

预测子单元，用于将分割出的N个图像输入至CNN表情分类模型中进行预测，获取多种人脸表情在所述N个图像中每个图像的预测概率；

计算子单元，用于根据所述多种人脸表情在所述N个图像中每个图像的预测概率，计算所述多种人脸表情中每种人脸表情在所述N个图像中的预测概率的均值；

确定子单元，用于将所述多种人脸表情中预测概率的均值最大的人脸表情作为所述人脸图像的人脸表情标签。

可选的，所述人脸验证模块包括：

第二调整单元，用于将所述人脸图像的大小调整至第三预设大小；

第二分割单元，用于将调整后的所述人脸图像分割成多个图像；

图像输入单元，用于将所述多个图像输入至人脸验证模型，获取所述人脸在人脸表情数据库中每个用户的分类概率；

第一确定单元，用于若所述分类概率中的最大值大于预设阈值，则确定所述人脸所属的用户为所述分类概率中的最大值对应的用户；

第二确定单元，用于若所述分类概率中的最大值小于或等于预设阈值，则确定所述人脸表情数据库中不存在所述人脸所属的用户；

添加单元，用于将所述人脸表情标签和所述人脸所属的用户的信息添加至所述人脸表情数据库。

所述人脸表情识别装置6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述人脸表情识别装置可包括，但不仅限于，处理器60、存储器61。本领域技术人员可以理解，图6仅仅是人脸表情识别装置6的示例，并不构成对人脸表情识别装置6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述人脸识别装置还可以包括输入输出设备、网络接入设备、总线等。

所述处理器60可以是中央处理单元(Central Processing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器61可以是所述人脸表情识别装置6的内部存储单元，例如人脸表情识别装置6的硬盘或内存。所述存储器61也可以是所述人脸表情识别装置6的外部存储设备，例如所述人脸表情识别装置6上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器61还可以既包括所述人脸表情识别装置6的内部存储单元也包括外部存储设备。所述存储器61用于存储所述计算机程序以及所述人脸表情识别装置所需的其他程序和数据。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种人脸表情识别方法，其特征在于，所述人脸表情识别方法包括：

获取待处理图像；

从所述待处理图像中提取人脸图像；

基于深度学习对所述人脸图像进行表情分类，获取所述人脸图像的人脸表情标签，其中，所述人脸表情标签指示所述人脸的表情；

对所述人脸图像进行人脸验证，获取人脸验证结果，其中，所述人脸验证结果指示所述人脸所属的用户的信息；

显示所述人脸表情标签和所述人脸验证结果。

2.如权利要求1所述的人脸表情识别方法，其特征在于，所述基于深度学习对所述人脸图像进行表情分类，获取所述人脸图像的人脸表情标签包括：

将所述人脸图像的大小调整至第一预设大小；

从调整后的所述人脸图像中的N个预设位置处分别分割出一个大小为第二预设大小的图像，其中，N为大于零的整数；

将分割出的N个图像输入至卷积神经网络CNN表情分类模型中进行预测，获取所述人脸图像的人脸表情标签。

3.如权利要求2所述的人脸表情识别方法，其特征在于，所述将分割出的N个图像输入至卷积神经网络CNN表情分类模型中进行预测，获取所述人脸图像的人脸表情标签包括：

将分割出的N个图像输入至CNN表情分类模型中进行预测，获取多种人脸表情在所述N个图像中每个图像的预测概率；

根据所述多种人脸表情在所述N个图像中每个图像的预测概率，计算所述多种人脸表情中每种人脸表情在所述N个图像中的预测概率的均值；

将所述多种人脸表情中预测概率的均值最大的人脸表情作为所述人脸图像的人脸表情标签。

4.如权利要求1至3任一项所述的人脸表情识别方法，其特征在于，所述对所述人脸图像进行人脸验证，获取人脸验证结果包括：

将所述人脸图像的大小调整至第三预设大小；

将调整后的所述人脸图像分割成多个图像；

将所述多个图像输入至人脸验证模型，获取所述人脸在人脸表情数据库中每个用户的分类概率；

若所述分类概率中的最大值大于预设阈值，则确定所述人脸所属的用户为所述分类概率中的最大值对应的用户。

5.如权利要求4所述的人脸表情识别方法，其特征在于，所述人脸表情识别方法还包括：

若所述分类概率中的最大值小于或等于预设阈值，则确定所述人脸表情数据库中不存在所述人脸所属的用户；

将所述人脸表情标签和所述人脸所属的用户的信息添加至所述人脸表情数据库。

6.一种人脸表情识别装置，其特征在于，所述人脸表情识别装置包括：

图像获取模块，用于获取待处理图像；

人脸提取模块，用于从所述待处理图像中提取人脸图像；

表情分类模块，用于基于深度学习对所述人脸图像进行表情分类，获取所述人脸图像的人脸表情标签，其中，所述人脸表情标签指示所述人脸的表情；

人脸验证模块，用于对所述人脸图像进行人脸验证，获取人脸验证结果，其中，所述人脸验证结果指示所述人脸所属的用户的信息；

显示模块，用于显示所述人脸表情标签和所述人脸验证结果。

7.如权利要求6所述的人脸表情识别装置，其特征在于，所述表情分类模块包括：

第一调整单元，用于将所述人脸图像的大小调整至第一预设大小；

第一分割单元，用于从调整后的所述人脸图像中的N个预设位置处分别分割出一个大小为第二预设大小的图像，其中，N为大于零的整数；

预测单元，用于将分割出的N个图像输入至卷积神经网络CNN表情分类模型中进行预测，获取所述人脸图像的人脸表情标签；

所述预测单元包括：

预测子单元，用于将分割出的N个图像输入至CNN表情分类模型中进行预测，获取多种人脸表情在所述N个图像中每个图像的预测概率；

计算子单元，用于根据所述多种人脸表情在所述N个图像中每个图像的预测概率，计算所述多种人脸表情中每种人脸表情在所述N个图像中的预测概率的均值；

确定子单元，用于将所述多种人脸表情中预测概率的均值最大的人脸表情作为所述人脸图像的人脸表情标签。

8.如权利要求6或7所述的人脸表情识别装置，其特征在于，所述人脸验证模块包括：

第二调整单元，用于将所述人脸图像的大小调整至第三预设大小；

第二分割单元，用于将调整后的所述人脸图像分割成多个图像；

图像输入单元，用于将所述多个图像输入至人脸验证模型，获取所述人脸在人脸表情数据库中每个用户的分类概率；

第一确定单元，用于若所述分类概率中的最大值大于预设阈值，则确定所述人脸所属的用户为所述分类概率中的最大值对应的用户；

第二确定单元，用于若所述分类概率中的最大值小于或等于预设阈值，则确定所述人脸表情数据库中不存在所述人脸所属的用户；

添加单元，用于将所述人脸表情标签和所述人脸所属的用户的信息添加至所述人脸表情数据库。

9.一种人脸表情识别装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述人脸表情识别方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述人脸表情识别方法的步骤。