CN112668551A - 基于遗传算法的表情分类方法 - Google Patents

Abstract

本发明公开了基于遗传算法的表情分类方法，包括如下步骤。获取人脸照片数据集；识别人脸特征部位；提取所有特征形成特征数据；编码所述特征数据；通过深度神经网络训练获取人脸表情评价模型；通过遗传算法进行演化计算人脸表情评价模型，得到遗传算法得到的结果集；将所述结果集还原为对应情绪边界的人脸表情图片和特征数据。本发明通过遗传算法独特的演化过程，得到处于情绪分类边界的表情，以此解决在表情、微表情识别中情绪分类的边界问题。将人脸表情照片输入后，可以以数据或图片的格式输出需要的一些情绪分类的边界。同时，边界表情图片可以用于可视化观察研究，而特征数据可以作为其他分类算法或系统的输入，来提高表情处理效率及精准度。

Description

基于遗传算法的表情分类方法

技术领域

本发明涉及表情智能处理算法，尤其涉及一种基于遗传算法的表情分类方法。

背景技术

在相关的现有技术中，人工智能对照片中表情的自动识别和处理较为落后，对于一些较为模糊的概念缺乏量化定义，大多凭借主观经验进行分类判断，智能程度不高，处理效率低下，导致表情、微表情识别中情绪分类效果欠佳。

发明内容

本发明实施方式提供的基于遗传算法的表情分类方法，包括如下步骤：

步骤一：获取人脸照片数据集；

步骤二：识别人脸特征部位；

步骤三：提取所有特征形成特征数据；

步骤四：编码所述特征数据；

步骤五：通过深度神经网络训练获取人脸表情评价模型；

步骤六：通过遗传算法进行演化计算人脸表情评价模型，得到遗传算法得到的结果集；

步骤七：将所述结果集还原为对应情绪边界的人脸表情图片和特征数据。

本发明通过遗传算法独特的演化过程，得到处于情绪分类边界的表情，以此解决在表情、微表情识别中情绪分类的边界问题。此外，将人脸表情照片输入后，可以以数据或图片的格式输出需要的一些情绪分类的边界。输出结果也可以用于后续的研究，加速分类的计算等。同时，边界表情图片可以用于可视化观察研究，而特征数据可以作为其他分类算法或系统的输入，来提高表情处理效率及精准度。

进一步地，步骤二中，人脸的主要特征部位分割为11部分，分别是左眉、右眉、左眼、右眼、鼻、上嘴唇、下嘴唇、左上脸颊、左下脸颊、右上脸颊和右下脸颊。

进一步地，步骤四中，编码的具体步骤为：

每张照片被编码为[x₁，x₂，...，x₁₁]，其中每个x_i为一个表示人脸某个部分的特征向量。

进一步地，步骤五中，人脸表情评价模型f(x)具体的操作步骤为：

对人脸表情照片数据集进行标注；设计或选择恰当的深度神经网络模型；将数据集以及对应的标签输入深度学习模型进行训练。

进一步地，人脸表情评价模型f(x)通过交叉验证方法检验模型。

进一步地，步骤六中，通过遗传算法进行演化计算的具体步骤为：

随机选取一组染色体作为初始种群，pop_t＝X₁，X₂，...，X_n，其中X_i＝[x_i1，x_i2，...，x_i11]，使用步骤5中的人脸表情评价模型f(x)对种群中所有个体进行评价，通过交叉算子和变异算子对当前种群pop_t进行交叉，得到Q_t＝gen(pop_t)。

进一步地，交叉算子为cross(X_a，X_b)＝[x_a1，x_a2，...，x_am，x_bm+1，...，x_b11]，变异算子为mutation(X_a)＝[x_a1，x_a2...，x′_am，...，x_a11]。

进一步地，通过选择算子选择得到下一代种群pop_t+1＝sel(pop_t，Q_t)。

进一步地，选择算子采用轮盘赌方法。

本发明实施方式的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施方式的描述中将变得明显和容易理解，其中：

图1是本发明实施方式的基于遗传算法的表情分类方法的流程示意图。

具体实施方式

下文的公开提供了许多不同的实施方式或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。当然，它们仅仅为示例，并且目的不在于限制本发明。此外，本发明可以在不同例子中重复参考数字和/或参考字母，这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施方式和/或设置之间的关系。此外，本发明提供了的各种特定的工艺和材料的例子，但是本领域普通技术人员可以意识到其他工艺的应用和/或其他材料的使用。

请参阅图1，本发明实施方式提供的基于遗传算法的表情分类方法的具体操作步骤如下。

首先，获得包含表情、微表情的人脸照片数据集。

通过对按照人脸的主要特征部位分割为11部分，分别是左眉、右眉、左眼、右眼、鼻、上嘴唇、下嘴唇、左上脸颊、左下脸颊、右上脸颊、右下脸颊。

再通过特征提取技术提取所有部分的特征。通过恰当的编码方式对其进行编码，每张照片被编码为[x₁，x₂，...，x₁₁]。其中每个x_i为一个表示人脸某个部分的特征向量。

通过对深度神经网络训练得到一个对人脸表情评价模型f(x)，具体做法如下：

(1)对人脸表情照片数据集进行标注；

(2)设计或选择恰当的深度神经网络模型；

(3)将数据集以及对应的标签输入深度学习模型进行训练；

(4)通过交叉验证方法检验模型

通过遗传算法进行演化计算的具体步骤如下：

(1)随机选取一组染色体作为初始种群pop_t＝X₁，X₂，...，X_n，其中X_i＝[x_i1，x_i2，...，x_i11]；

(2)使用上述训练的人脸表情评价模型f(x)对种群中所有个体进行评价；

(3)通过恰当的交叉算子和变异算子对当前种群pop_t进行交叉，得到Q_t＝gen(pop_t)。其中，可以令交叉算子为cross(X_a，X_b)＝[x_a1，x_a2，...，x_am，x_bm+1，...，x_b11]，变异算子为mutation(X_a)＝[x_a1，x_a2...，x′_am，...，x_a11]。通过设定恰当的交叉概率、变异概率，以及随机产生变异位、交叉位等，得到合适的Q_t。

最后通过恰当的选择算子选择得到下一代种群pop_t+1＝sel(pop_t，Q_t)。

选择算子如轮盘赌方法。

判断是否符合停机条件，若符合则进入下一步，不符合则回到遗传算法中的第二步，得到遗传算法得到的结果集。

再将结果集还原为人脸照片集，即是处于情绪边界的表情。

综上所述，在经过一定量的训练后，该模型可以完成以下任务：

输入一张人脸照片，输出对应某个情绪边界的人脸表情图片和对应某个情绪边界的特征数据。

尽管已经示出和描述了本发明的实施方式，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (9)

1.基于遗传算法的表情分类方法，其特征在于，包括如下步骤：

步骤一：获取人脸照片数据集；

步骤二：识别人脸特征部位；

步骤三：提取所有特征形成特征数据；

步骤四：编码所述特征数据；

步骤五：通过深度神经网络训练获取人脸表情评价模型；

步骤六：通过遗传算法进行演化计算人脸表情评价模型，得到遗传算法得到的结果集；

步骤七：将所述结果集还原为对应情绪边界的人脸表情图片和特征数据。

2.根据权利要求1所述的基于遗传算法的表情分类方法，其特征在于，步骤二中，人脸的主要特征部位分割为11部分，分别是左眉、右眉、左眼、右眼、鼻、上嘴唇、下嘴唇、左上脸颊、左下脸颊、右上脸颊和右下脸颊。

3.根据权利要求1所述的基于遗传算法的表情分类方法，其特征在于，步骤四中，编码的具体步骤为：

每张照片被编码为[x₁，x₂，...，x₁₁]，

其中每个x_i为一个表示人脸某个部分的特征向量。

4.根据权利要求1所述的基于遗传算法的表情分类方法，其特征在于，步骤五中，人脸表情评价模型f(x)具体的操作步骤为：

对人脸表情照片数据集进行标注；设计或选择恰当的深度神经网络模型；将数据集以及对应的标签输入深度学习模型进行训练。

5.根据权利要求4所述的基于遗传算法的表情分类方法，其特征在于，人脸表情评价模型f(x)通过交叉验证方法检验模型。

6.根据权利要求1所述的基于遗传算法的表情分类方法，其特征在于，步骤六中，通过遗传算法进行演化计算的具体步骤为：

随机选取一组染色体作为初始种群，pop_t＝x₁，x₂，...，x_n，其中X_i＝[x_i1，x_i2，...，x_i11]，

使用步骤5中的人脸表情评价模型f(x)对种群中所有个体进行评价，通过交叉算子和变异算子对当前种群pop_t进行交叉，得到Q_t＝gen(pop_t)。

7.根据权利要求6所述的基于遗传算法的表情分类方法，其特征在于，交叉算子为cross(X_a，X_b)＝[x_a1，x_a2，...，x_am，x_bm+1，...，x_b11]，变异算子为mutation(X_a)＝[x_a1，x_a2...，x′a_m，...，x_a11]。

8.根据权利要求6所述的基于遗传算法的表情分类方法，其特征在于，通过选择算子选择得到下一代种群pop_t+1＝sel(pop_t，Q_t)。

9.根据权利要求8所述的基于遗传算法的表情分类方法，其特征在于，选择算子采用轮盘赌方法。

Images