CN109840459A - 一种人脸表情分类方法、装置及存储介质 - Google Patents
一种人脸表情分类方法、装置及存储介质 Download PDFInfo
- Publication number
- CN109840459A CN109840459A CN201711230464.1A CN201711230464A CN109840459A CN 109840459 A CN109840459 A CN 109840459A CN 201711230464 A CN201711230464 A CN 201711230464A CN 109840459 A CN109840459 A CN 109840459A
- Authority
- CN
- China
- Prior art keywords
- facial expression
- network model
- classification
- expression image
- image
- 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 152
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012549 training Methods 0.000 claims description 27
- 239000000284 extract Substances 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 abstract description 14
- 238000000605 extraction Methods 0.000 abstract description 2
- 230000006872 improvement Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000012706 support-vector machine Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Abstract
本发明公开了一种人脸表情分类方法、装置及存储介质，包括：用于对人脸表情的识别和分类。人脸表情分为高兴、生气、惊恐、平静等表情特征，不同的表情特征，提取的纹理信息也不相同，利用现有的基于卷积神经网络模型的SqueezeNet网络模型和AlexNet网络模型的特点，将这两个网络模型的优点结合起来，构成新的网络结构，在保持SqueezeNet网络模型结构的基础上，修改SqueezeNet网络模型，重新组建了改进型的SqueezeNet网络模型，通过将不同人脸表情图像输入到改进型的SqueezeNet网络模型中进行训练，得到人脸表情分类的图像信息集合，有利于进行模型表情的分类，该网络模型有效解决了人脸表情识别分类问题，大大缩短了计算时间，算法复杂度大大降低，更有利于人脸表情的识别分类。
Description
技术领域
本发明涉及用于识别图形的数据识别技术，尤其涉及一种人脸表情分类方法、装置及存储介质。
背景技术
人脸表情分为高兴、生气、惊恐、平静等表情特征，不同的表情特征，提取的纹理信息也不相同，传统的分类人脸表情的方法采用机器学习方法，将人脸表情的图像的纹理信息提取出来，运算量大，且不同表情的纹理信息很类似，对于数据量大、人脸表情接近的人脸表情，进行分类的计算过程繁琐，算法复杂，计算时间长。
因此，现有技术还有待于改进和发展。
发明内容
鉴于上述现有技术的不足之处，本发明为解决现有技术缺陷和不足，提出了一种人脸表情分类方法、装置及存储介质，对基于卷积神经网络的SqueezeNet网络模型的现有网络模型，重新组建了一种新的网络模型，有效解决了人脸表情识别分类问题，大大缩短了计算时间，算法复杂度大大降低，更有利于人脸表情的分类。
本发明解决技术问题所采用的技术方案如下：
一种人脸表情分类方法，用于对人脸表情的识别和分类，包括如下步骤：
A、获取不同种类人脸表情图像并设置标签；
B、将所述不同种类人脸表情图像输入改进型SqueezeNet网络模型进行训练；
C、将通过SqueezeNet网络模型训练的不同人脸表情图像通过分类器进行分类识别。
作为进一步的改进技术方案，上述步骤A获取不同种类人脸表情图像并设置标签中具体包括如下步骤：
读取不同种类的人脸表情图像；
对所述不同种类的人脸表情图像设置不同的标签；
截取所述不同种类的人脸表情图像大小为224*224。
作为进一步的改进技术方案，上述步骤B将所述不同种类人脸表情图像输入改进型SqueezeNet网络模型进行训练中的改进型SqueezeNet网络模型是将SqueezeNet网络模型与AlexNet网络模型相连接形成的卷积过滤器，不同种类人脸表情图像输入SqueezeNet网络模型与AlexNet网络模型相连接形成的卷积过滤器进行训练，以得到人脸表情图像信息集合。
作为进一步的改进技术方案，所述将SqueezeNet网络模型与AlexNet网络模型相连接形成的卷积过滤器中，各卷积层顺序执行并设置如下：
b1、卷积层一，采用步长大小为3，卷积核为7*7，卷积后输出尺寸大小为111*111*96；
b2、最大值提取层一，输出尺寸大小为55*55*96；
b3、Fire1模型，输出尺寸大小为55*55*128，其中，Squeeze为16，Expand1为64，expand2为64；
b4、最大值提取层二，输出尺寸大小为27*27*128；
b5、Fire2模型，输出尺寸大小为27*27*256，其中，squeeze为32，expand1为128，expand2为128；
b6、最大值提取层三，输出尺寸大小为27*27*256；
b7、Fire3模型，输出尺寸大小为13*13*384，其中，squeeze为48，expand1为192，expand2为192；
b8、最大值提取层四，输出尺寸大小为7*7*384；
b9、卷积层三，采用步长大小为3，卷积核为3*3，卷积后输出尺寸大小为3*3*512；
b10、全连接层一、全连接层二、全连接层三分别输出的大小均为1000。
作为进一步的改进技术方案，上述步骤C中将通过SqueezeNet网络模型训练的不同人脸表情图像通过分类器进行分类识别是将所述人脸表情图像的分类的图像信息集合输入到SVM分类器中进行分类识别。
本发明还提供一种人脸表情分类装置，用于对人脸表情的识别和分类，所述装置包括人脸表情图像标签设置模块、人脸表情图像训练模块、人脸表情图像识别分类模块；
所述人脸表情图像标签设置模块用于获取不同种类人脸表情图像并设置标签；
所述人脸表情图像训练模块用于将所述不同种类人脸表情图像输入改进型SqueezeNet网络模型进行训练；
所述人脸表情图像识别分类模块用于将通过SqueezeNet网络模型训练的不同人脸表情图像通过分类器进行分类识别。
作为进一步的改进技术方案，所述人脸表情图像标签设置模块具体用于读取不同种类的人脸表情图像；对所述不同种类的人脸表情图像设置不同的标签；截取所述不同种类的人脸表情图像大小为224*224。
作为进一步的改进技术方案，所述人脸表情图像训练模块用于将所述不同种类人脸表情图像输入改进型SqueezeNet网络模型进行训练中具体是将不同种类人脸表情图像输入SqueezeNet网络模型与AlexNet网络模型相连接形成的卷积过滤器进行训练，以得到人脸表情图像信息集合。
作为进一步的改进技术方案，所述人脸表情图像识别分类模块用于将通过SqueezeNet网络模型训练的不同人脸表情图像通过分类器进行分类识别，是将所述人脸表情图像的分类的图像信息集合输入到SVM分类器中进行分类识别。
本发明还提供一种存储介质，所述存储介质存储有人脸表情分类程序，该人脸表情分类程序被处理器执行时实现上述人脸表情分类方法的步骤。
与现有技术计算过程繁琐，算法复杂，计算时间长相比较，本发明利用现有的基于卷积神经网络模型的SqueezeNet网络模型和AlexNet网络模型的特点，将这两个网络模型的优点结合起来，构成新的网络结构，在保持SqueezeNet网络模型结构的基础上，修改SqueezeNet网络模型，重新组建了一种经改进的新的网络模型，简化了计算过程，大大缩短了计算时间，算法复杂度大大降低，更有利于人脸表情图像的识别分类。
附图说明
图1是本发明一种人脸表情分类方法优选实施例的流程图。
图2是本发明方法改进型SqueezeNet网络模型各卷积层执行的过程流程图。
图3是本发明一种人脸表情分类装置优选实施例的原理结构图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
目前传统的分类人脸表情图像的方法是采用机器学习方法，将人脸表情图像的纹理信息提取出来，但人脸表情丰富，人脸表情图像数据量大，表情纹理信息接近，不同人脸表情图像的纹理信息很类似，识别区分难度大，算法复杂，计算量大；而人脸表情图像接近的人脸表情图像，识别分类更是麻烦。SqueezeNet是在利用现有的基于卷积神经网络（Convolutional Neural Networks，CNN）模型并以有损的方式压缩的一种小型模型的网络结构，利用少量的参数训练网络模型，实现模型的压缩。它采用Fire Modle模型结构，利用squeeze和expand相连接形成一种Fire模块中组织卷积过滤器。而AlexNet模型是将CNN的基本原理应用到了很深很宽的网络中，AlexNet模型成功的用ReLU作为CNN的激活函数，成功解决了Sigmoid在网络较深时的梯度弥散问题，进行训练时使用Dropout随机忽略一部分神经元，避免了模型过拟合。最大值池化层（max-pooling）是提取规定的滤波尺寸大小内的最大值替换原滤波尺寸数值的方法，避免了平均池化（average-pooling）的模糊化效果，提升了特征的丰富性。全连接层（fully_connect_layer）可将学到的“分布式特征表示”映射到样本标记空间的作用，它能将人脸表情中相似的特征进行微调，也即迁移学习技术。在预测目标和真实目标中，保持较大模型的容量。本发明对基于卷积神经网络模型的SqueezeNet网络模型进行了改进，将SqueezeNet网络模型与AlexNet网络模型进行连接形成改进型的SqueezeNet网络模型，改进后的SqueezeNet网络模型用于人脸表情分类计算，简化了计算过程，大大缩短了计算时间，算法复杂度大大降低。本发明利用SqueezeNet网络模型的参数量小，AlexNet模型可以避免模型的过拟合的优点，提出在保持SqueezeNet模型结构的基础上，修改SqueezeNet模型，通过将不同人脸表情图像输入到新创建的模型中进行训练，得到人脸表情分类的图像信息集合，大大减少了计算量，缩短了计算时间。
图1示出可了本发明一种人脸表情分类方法优选实施例的流程图，本发明方法优选实施例包括如下步骤：
步骤S100，获取不同种类人脸表情图像并设置标签。
读取不同种类的人脸表情图像，根据所述不同种类的人脸表情图像，设置不同的标签，并截取所述不同种类的人脸表情图像大小为224*224。
人脸表情是极为丰富的，可以分为高兴、生气、惊恐、平静、痛苦、愤怒等表情特征，相对应地为高兴、生气、惊恐、平静、痛苦、愤怒等人脸表情图像，根据不同种类的人脸表情图像，把它们归类设置为相对应的标签，例如，高兴标签为L1，生气标签为L2，惊恐标签为L3……。
步骤S200，将所述不同种类人脸表情图像输入改进型SqueezeNet网络模型进行训练。
将所述不同种类人脸表情图像输入改进型SqueezeNet网络模型进行训练中的改进型SqueezeNet网络模型是将SqueezeNet网络模型与AlexNet网络模型相连接形成的卷积过滤器，不同种类人脸表情图像输入SqueezeNet网络模型与AlexNet网络模型相连接形成的卷积过滤器进行训练，以得到人脸表情图像信息集合。
SqueezeNet网络模型是在利用现有的基于卷积神经网络（Convolutional NeuralNetworks，CNN）模型并以有损的方式压缩的一种小型模型的网络结构，利用少量的参数训练网络模型，实现模型的压缩，而AlexNet网络模型证明了CNN在复杂模型下的有效性，成功的用ReLU作为CNN的激活函数，成功解决了Sigmoid在网络较深时的梯度弥散问题，训练时使用Dropout随机忽略一部分神经元，避免了模型过拟合。本发明方法利用现有的基于卷积神经网络模型的SqueezeNet网络模型和AlexNet网络模型的特点，将这两个网络模型的优点结合起来，主要是利用SqueezeNet网络模型的参数量小，AlexNet网络模型可以避免模型的过拟合的优点，构成新的网络结构，在保持SqueezeNet网络模型结构的基础上，修改SqueezeNet网络模型，重新组建了一种经改进的新的网络模型，将所述人脸表情图像输入到改进型SqueezeNet网络模型中进行训练，图2示出了所述改进型的SqueezeNet网络模型各卷积层执行的过程流程图。各卷积层顺序执行并设置如下：
S201，卷积层一，即Cov1层，采用步长大小为3，卷积核为7*7，卷积后输出尺寸大小为111*111*96；
S202，最大值池化层一，即Max-pooling1输出尺寸大小为55*55*96；
S203，Fire1模型，输出尺寸大小为55*55*128，其中，Squeeze为16，Expand1为64，expand2为64；
S204，最大值池化层二，即Max-pooling2，输出尺寸大小为27*27*128；
S205，Fire2模型，输出尺寸大小为27*27*256，其中，squeeze为32，expand1为128，expand2为128；
S206，最大值池化层三，即Max-pooling3，输出尺寸大小为27*27*256；
S207，Fire3模型，输出尺寸大小为13*13*384，其中，squeeze为48，expand1为192，expand2为192；
S208，最大值提取层四，即Max-pooling4，输出尺寸大小为7*7*384；
S209，卷积层三，即Conv3采用步长大小为3，卷积核为3*3，卷积后输出尺寸大小为3*3*512；
S210，全连接层一Fully_connect1、全连接层二Fully_connect2、全连接层三Fully_connect3分别输出的大小均为1000。
经过所述改进型SqueezeNet网络模型训练后，得到输出数据为1*1000，不同人脸表情图像样本经过如上述改进型SqueezeNet网络模型训练步骤的处理后，可以得到N*1*1000输出，其中N为输入的人脸表情图像样本的数量。
步骤S300，将通过SqueezeNet网络模型训练的不同人脸表情图像通过分类器进行分类识别。
其中，将通过SqueezeNet网络模型训练的不同人脸表情图像通过分类器进行分类识别是将所述人脸表情图像的分类的图像信息集合输入到SVM分类器中进行分类识别。支持向量机SVM (Support Vector Machine)是一个由分类超平面定义的判别分类器，也就是说给定一组带标签的训练样本，算法将会输出一个最优超平面对新样本(测试样本)进行分类，它是一种二类分类模型，其基本模型定义为特征空间上的间隔最大的线性分类器，其学习策略便是间隔最大化，最终可转化为一个凸二次规划问题的求解。直接利用SqueezeNet网络模型计算的时间为200S，而利用本发明方法改进型SqueezeNet网络模型计算的时间为100S，人脸表情图像分类的时间大幅度缩短。
本发明还提供一种人脸表情分类装置，用于对人脸表情图像的识别和分类，图3示出了本发明装置优选实施例的原理结构图。所述装置包括人脸表情图像标签设置模块10、人脸表情图像训练模块20和人脸表情图像识别分类模块30。
其中，所述人脸表情图像标签设置模块10用于获取不同种类人脸表情图像并设置标签；具体用于读取不同种类的人脸表情图像；对所述不同种类的人脸表情图像设置不同的标签；截取所述不同种类的人脸表情图像大小为224*224。
所述人脸表情图像训练模块20用于将所述不同种类人脸表情图像输入改进型SqueezeNet网络模型进行训练；具体是将不同种类人脸表情图像输入SqueezeNet网络模型与AlexNet网络模型相连接形成的卷积过滤器进行训练，以得到人脸表情图像信息集合。
本发明利用现有的基于卷积神经网络模型的SqueezeNet网络模型和AlexNet网络模型的特点，将这两个网络模型的优点结合起来，主要是利用SqueezeNet网络模型的参数量小，AlexNet网络模型可以避免模型的过拟合的优点，构成新的网络结构，在保持SqueezeNet网络模型结构的基础上，修改SqueezeNet网络模型，重新组建了一种经改进的新的网络模型，将所述人脸表情图像输入到改进型SqueezeNet网络模型中进行训练，改进型SqueezeNet网络模型与上述方法优选实施例相同，参照图2示出的改进型的SqueezeNet网络模型各卷积层执行的过程流程图。各卷积层顺序执行并设置如下：
S201，卷积层一，即Cov1层，采用步长大小为3，卷积核为7*7，卷积后输出尺寸大小为111*111*96；
S202，最大值池化层一，即Max-pooling1输出尺寸大小为55*55*96；
S203，Fire1模型，输出尺寸大小为55*55*128，其中，Squeeze为16，Expand1为64，expand2为64；
S204，最大值池化层二，即Max-pooling2，输出尺寸大小为27*27*128；
S205，Fire2模型，输出尺寸大小为27*27*256，其中，squeeze为32，expand1为128，expand2为128；
S206，最大值池化层三，即Max-pooling3，输出尺寸大小为27*27*256；
S207，Fire3模型，输出尺寸大小为13*13*384，其中，squeeze为48，expand1为192，expand2为192；
S208，最大值提取层四，即Max-pooling4，输出尺寸大小为7*7*384；
S209，卷积层三，即Conv3采用步长大小为3，卷积核为3*3，卷积后输出尺寸大小为3*3*512；
S210，全连接层一Fully_connect1、全连接层二Fully_connect2、全连接层三Fully_connect3分别输出的大小均为1000。
经过所述改进型SqueezeNet网络模型训练后，得到输出数据为1*1000，不同人脸表情图像样本经过如上述改进型SqueezeNet网络模型训练步骤的处理后，可以得到N*1*1000输出，其中N为输入的人脸表情图像样本的数量。
所述人脸表情图像识别分类模块30则用于将通过SqueezeNet网络模型训练的不同人脸表情图像通过分类器进行分类识别。
其中，将通过SqueezeNet网络模型训练的不同人脸表情图像通过分类器进行分类识别是将所述人脸表情图像的分类的图像信息集合输入到SVM分类器中进行分类识别。
本发明还提供一种存储介质，所述存储介质存储有人脸表情分类程序，该人脸表情分类程序被处理器执行时实现上述人脸表情分类方法的步骤。
应当理解的是，以上所述仅为本发明的较佳实施例而已，并不足以限制本发明的技术方案，对本领域普通技术人员来说，在本发明的精神和原则之内，可以根据上述说明加以增减、替换、变换或改进，而所有这些增减、替换、变换或改进后的技术方案，都应属于本发明所附权利要求的保护范围。
Claims (10)
1.一种人脸表情分类方法，用于对人脸表情的识别和分类，其特征在于，包括如下步骤：
A、获取不同种类人脸表情图像并设置标签；
B、将所述不同种类人脸表情图像输入改进型SqueezeNet网络模型进行训练；
C、将通过SqueezeNet网络模型训练的不同人脸表情图像通过分类器进行分类识别。
2.根据权利要求1所述的人脸表情分类方法，其特征在于，步骤A获取不同种类人脸表情图像并设置标签中具体包括如下步骤：
读取不同种类的人脸表情图像；
对所述不同种类的人脸表情图像设置不同的标签；
截取所述不同种类的人脸表情图像大小为224*224。
3.根据权利要求1所述的人脸表情分类方法，其特征在于，步骤B将所述不同种类人脸表情图像输入改进型SqueezeNet网络模型进行训练中的改进型SqueezeNet网络模型是将SqueezeNet网络模型与AlexNet网络模型相连接形成的卷积过滤器，不同种类人脸表情图像输入SqueezeNet网络模型与AlexNet网络模型相连接形成的卷积过滤器进行训练，以得到人脸表情图像信息集合。
4.根据权利要求3所述的人脸表情分类方法，其特征在于，所述将SqueezeNet网络模型与AlexNet网络模型相连接形成的卷积过滤器中，各卷积层顺序执行并设置如下：
b1、卷积层一，采用步长大小为3，卷积核为7*7，卷积后输出尺寸大小为111*111*96；
b2、最大值池化层一，输出尺寸大小为55*55*96；
b3、Fire1模型，输出尺寸大小为55*55*128，其中，Squeeze为16，Expand1为64，expand2为64；
b4、最大值池化层二，输出尺寸大小为27*27*128；
b5、Fire2模型，输出尺寸大小为27*27*256，其中，squeeze为32，expand1为128，expand2为128；
b6、最大值池化层三，输出尺寸大小为27*27*256；
b7、Fire3模型，输出尺寸大小为13*13*384，其中，squeeze为48，expand1为192，expand2为192；
b8、最大值提取层四，输出尺寸大小为7*7*384；
b9、卷积层三，采用步长大小为3，卷积核为3*3，卷积后输出尺寸大小为3*3*512；
b10、全连接层一、全连接层二、全连接层三分别输出的大小均为1000。
5.根据权利要求1至4任一项所述的人脸表情分类方法，其特征在于，步骤C中将通过SqueezeNet网络模型训练的不同人脸表情图像通过分类器进行分类识别是将所述人脸表情图像的分类的图像信息集合输入到SVM分类器中进行分类识别。
6.一种人脸表情分类装置，用于对人脸表情的识别和分类，其特征在于，所述装置包括人脸表情图像标签设置模块、人脸表情图像训练模块、人脸表情图像识别分类模块；
所述人脸表情图像标签设置模块用于获取不同种类人脸表情图像并设置标签；
所述人脸表情图像训练模块用于将所述不同种类人脸表情图像输入改进型SqueezeNet网络模型进行训练；
所述人脸表情图像识别分类模块用于将通过SqueezeNet网络模型训练的不同人脸表情图像通过分类器进行分类识别。
7.根据权利要求6所述的人脸表情分类装置，其特征在于，所述人脸表情图像标签设置模块具体用于读取不同种类的人脸表情图像；对所述不同种类的人脸表情图像设置不同的标签；截取所述不同种类的人脸表情图像大小为224*224。
8.根据权利要求6所述的人脸表情分类装置，其特征在于，所述人脸表情图像训练模块用于将所述不同种类人脸表情图像输入改进型SqueezeNet网络模型进行训练中具体是将不同种类人脸表情图像输入SqueezeNet网络模型与AlexNet网络模型相连接形成的卷积过滤器进行训练，以得到人脸表情图像信息集合。
9.根据权利要求6至8任一项所述的人脸表情分类装置，其特征在于，所述人脸表情图像识别分类模块用于将通过SqueezeNet网络模型训练的不同人脸表情图像通过分类器进行分类识别，是将所述人脸表情图像的分类的图像信息集合输入到SVM分类器中进行分类识别。
10.一种存储介质，所述存储介质存储有人脸表情分类程序，该人脸表情分类程序被处理器执行时实现权利要求1至5任一项所述人脸表情分类方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711230464.1A CN109840459A (zh) | 2017-11-29 | 2017-11-29 | 一种人脸表情分类方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711230464.1A CN109840459A (zh) | 2017-11-29 | 2017-11-29 | 一种人脸表情分类方法、装置及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109840459A true CN109840459A (zh) | 2019-06-04 |
Family
ID=66882421
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711230464.1A Pending CN109840459A (zh) | 2017-11-29 | 2017-11-29 | 一种人脸表情分类方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109840459A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111144266A (zh) * | 2019-12-20 | 2020-05-12 | 北京达佳互联信息技术有限公司 | 人脸表情的识别方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106372622A (zh) * | 2016-09-30 | 2017-02-01 | 北京奇虎科技有限公司 | 一种人脸表情分类方法及装置 |
| CN106951395A (zh) * | 2017-02-13 | 2017-07-14 | 上海客鹭信息技术有限公司 | 面向压缩卷积神经网络的并行卷积运算方法及装置 |
| CN107194371A (zh) * | 2017-06-14 | 2017-09-22 | 易视腾科技股份有限公司 | 基于层次化卷积神经网络的用户专注度识别方法及系统 |
| 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
- 2017-11-29 CN CN201711230464.1A patent/CN109840459A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106372622A (zh) * | 2016-09-30 | 2017-02-01 | 北京奇虎科技有限公司 | 一种人脸表情分类方法及装置 |
| CN106951395A (zh) * | 2017-02-13 | 2017-07-14 | 上海客鹭信息技术有限公司 | 面向压缩卷积神经网络的并行卷积运算方法及装置 |
| CN107194371A (zh) * | 2017-06-14 | 2017-09-22 | 易视腾科技股份有限公司 | 基于层次化卷积神经网络的用户专注度识别方法及系统 |
| 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 |
Non-Patent Citations (2)
| Title |
|---|
| 杨奕若等: "人脸全局特征识别研究", 《小型微型计算机系统》 * |
| 田原等: "计算机人脸识别的研究现状与进展", 《无线电工程》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111144266A (zh) * | 2019-12-20 | 2020-05-12 | 北京达佳互联信息技术有限公司 | 人脸表情的识别方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | C2FDA: Coarse-to-fine domain adaptation for traffic object detection | |
| CN110210551A (zh) | 一种基于自适应主体敏感的视觉目标跟踪方法 | |
| CN109299716A (zh) | 神经网络的训练方法、图像分割方法、装置、设备及介质 | |
| CN107679447A (zh) | 面部特征点检测方法、装置及存储介质 | |
| Jiang et al. | Cascaded subpatch networks for effective CNNs | |
| CN108830237B (zh) | 一种人脸表情的识别方法 | |
| Rahman et al. | RGB-D object recognition with multimodal deep convolutional neural networks | |
| CN107967461A (zh) | Svm 差分模型训练及人脸验证方法、装置、终端及存储介质 | |
| Sadeghi et al. | HistNet: Histogram-based convolutional neural network with Chi-squared deep metric learning for facial expression recognition | |
| CN109815920A (zh) | 基于卷积神经网络和对抗卷积神经网络的手势识别方法 | |
| CN111832573A (zh) | 一种基于类激活映射和视觉显著性的图像情感分类方法 | |
| Qiu et al. | Hallucinating visual instances in total absentia | |
| CN112528845A (zh) | 一种基于深度学习的物理电路图识别方法及其应用 | |
| Tan et al. | Rapid fine-grained classification of butterflies based on FCM-KM and mask R-CNN fusion | |
| CN116258990A (zh) | 一种基于跨模态亲和力的小样本参考视频目标分割方法 | |
| Liu et al. | Student abnormal behavior recognition in classroom video based on deep learning | |
| CN111108508A (zh) | 脸部情感识别方法、智能装置和计算机可读存储介质 | |
| CN113239866B (zh) | 一种时空特征融合与样本注意增强的人脸识别方法及系统 | |
| CN109840459A (zh) | 一种人脸表情分类方法、装置及存储介质 | |
| Ke et al. | SRN: Side-output residual network for object reflection symmetry detection and beyond | |
| CN112464924A (zh) | 一种构建训练集的方法及装置 | |
| CN112633425B (zh) | 图像分类方法和装置 | |
| Wang et al. | Image style recognition using graph network and perception layer | |
| Singh et al. | Automatic classroom monitoring system using facial expression recognition | |
| CN114387489A (zh) | 电力设备识别方法、装置和终端设备 |
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: 20190604 |
|
| RJ01 | Rejection of invention patent application after publication |