CN113239814B - 基于光流重构的面部表情识别方法、装置、设备及介质 - Google Patents

基于光流重构的面部表情识别方法、装置、设备及介质 Download PDF

Info

Publication number
CN113239814B
CN113239814B CN202110535215.3A CN202110535215A CN113239814B CN 113239814 B CN113239814 B CN 113239814B CN 202110535215 A CN202110535215 A CN 202110535215A CN 113239814 B CN113239814 B CN 113239814B
Authority
CN
China
Prior art keywords
optical flow
image set
reconstruction
encoder
preset
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.)
Active
Application number
CN202110535215.3A
Other languages
English (en)
Other versions
CN113239814A (zh
Inventor
刘杰
王健宗
瞿晓阳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202110535215.3A priority Critical patent/CN113239814B/zh
Publication of CN113239814A publication Critical patent/CN113239814A/zh
Application granted granted Critical
Publication of CN113239814B publication Critical patent/CN113239814B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161Detection; Localisation; Normalisation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16Human faces, e.g. facial parts, sketches or expressions
    • G06V40/174Facial expression recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及智能决策技术,揭露了一种基于光流重构的面部表情识别方法,包括:对原始表情图像集进行遮挡处理,得到遮挡表情图像集,利用预设的光流算法对遮挡表情图像集进行光流提取,得到初始光流图像集,利用所述初始光流图像集对预设的第一光流重构编码器进行训练,得到第二光流重构编码器,将待识别图片输入至第二光流重构编码器中,得到标准光流信息,将标准光流信息输入至表情识别模型中,得到预测表情类别。此外,本发明还涉及区块链技术,所述初始光流图像集可存储于区块链的节点。本发明还提出一种基于光流重构的面部表情识别装置、电子设备以及计算机可读存储介质。本发明可以解决现有面部表情识别方法表情识别效率低的问题。

Description

基于光流重构的面部表情识别方法、装置、设备及介质
技术领域
本发明涉及智能决策技术领域,尤其涉及一种基于光流重构的面部表情识别方法、装置、设备及介质。
背景技术
随着人们对人机智能交互需求的增加,人机智能交互研究得到越来越多的关注,其中,对人物的面部表情进行识别是实现人机交互的一种重要方式。人物的面部表情识别技术是通过分析人物的面部表情,获得图像数据中人物的情感信息,进而根据面部表情识别结果进行不同的实际应用。在识别面部表情时,需要对图像数据中的人脸部分进行识别,而图像数据中的人脸部分通常可能存在被局部遮挡的情况。
现有技术中,在存在遮挡的情况下进行面部表情识别的方法主要是先对人脸区域进行分块,再利用分块后的未遮挡区域进行识别,这种方法没有考虑各个分块区域之间的联系,不够灵活且无法应对变化多样的遮挡,识别效率较低。
发明内容
本发明提供一种基于光流重构的面部表情识别方法、装置及计算机可读存储介质,其主要目的在于解决现有面部表情识别方法表情识别效率低的问题。
为实现上述目的,本发明提供的一种基于光流重构的面部表情识别方法,包括:
获取原始表情图像集,对所述原始表情图像集进行遮挡处理,得到遮挡表情图像集;
利用预设的光流算法对所述遮挡表情图像集进行光流提取,得到初始光流图像集;
利用所述初始光流图像集对预设的第一光流重构编码器进行训练,得到第二光流重构编码器;
获取待识别图片,将所述待识别图片输入至所述第二光流重构编码器中,得到所述待识别图片中面部表情的标准光流信息,将所述标准光流信息输入至预设的表情识别模型中,得到所述待识别图片中面部表情的预测表情类别。
可选地,所述对所述原始表情图像集进行遮挡处理,得到遮挡表情图像集,包括:
对所述原始表情图像集中原始表情图像的预设部位进行遮掩,得到遮掩图像集;
以所述遮掩图像集中遮掩图像的目标部位为中心将所述遮掩图像裁剪为预设尺寸,得到遮掩表情图像集。
可选地,所述利用所述初始光流图像集对预设的第一光流重构编码器进行训练,得到第二光流重构编码器,包括:
按照预设的比例将所述初始光流图像集中的初始光流图像划分为训练光流图像集、验证光流图像集和测试光流图像集;
利用所述训练光流图像集对所述第一光流重构编码器进行训练,得到第二光流重构编码器;
利用所述验证光流图像集对所述第二光流重构编码器进行验证处理,根据验证结果调整或保持所述第二光流重构编码器;
通过所述测试光流图像集对所述第二光流重构编码器进行测试处理;
当测试未通过时,通过所述训练光流图像集再次训练所述第二光流重构编码器。
可选地,所述利用预设的光流算法对所述遮挡表情图像集进行光流提取,得到初始光流图像集,包括:
利用预设的光流计算公式分别计算所述遮挡表情图像集中不同遮挡表情图像的每个像素点对应的光流;
将所述每个像素点对应的光流映射至预设的颜色空间,得到初始光流图像集。
可选地,所述利用预设的光流计算公式分别计算所述遮挡表情图像集中不同遮挡表情图像的每个像素点对应的光流,包括:
利用如下所述光流计算公式分别计算所述遮挡表情图像集中不同遮挡表情图像的每个像素点对应的光流:
f1(x)=xTA1+xTB1+C1
f1(x-dx,y-dy)=f2(x)
其中,f1(x)表示所述遮挡表情图像集中不同遮挡表情图像的每个像素点坐标,f2(x)表示所述遮挡表情图像集中不同遮挡表情图像的每个像素点对应的光流,dx和dy分别表示所述每个像素点在x坐标轴和y坐标轴方向上的位移,A1和B1分别表示不同的矩阵向量,C1表示标量,T表示预设时间。
可选地,所述利用所述训练光流图像集对预设的第一光流重构编码器进行训练,得到第二光流重构编码器,包括:
利用所述第一光流重构编码器中的内置编码器对所述训练光流图像集进行编码处理,得到编码光流集;
将所述编码光流集输入至所述第一光流重构编码器中的内置解码器进行解码处理,得到解码光流集;
计算所述解码光流集和预设的真实光流集之间的损失值,得到光流损失值;
判断所述光流损失值与预设的光流阈值的大小;
若所述光流损失值大于或者等于所述光流阈值,对所述第一光流重构编码器的模型参数进行调整,并将所述训练光流图像集输入至调整参数后的第一光流重构编码器中,得到新的解码光流集,将所述新的解码光流集与所述真实光流集之间的损失值作为所述光流损失值,再次执行判断所述光流损失值与预设的光流阈值的大小的操作,直至所述光流损失值小于所述光流阈值;
若所述光流损失值小于所述光流阈值,将所述第一光流重构编码器输出为第二光流重构编码器。
可选地,所述利用对所述验证光流图像集对所述第二光流重构编码器进行验证处理,根据验证结果调整或保持所述第二光流重构编码器,包括:
将所述验证光流图像集输入至所述第二光流重构编码器中,得到验证光流重建集;
计算所述验证光流集和预设的验证真实重建集之间的损失值,得到验证损失值;
判断所述验证损失值与预设的验证阈值之间的大小;
若所述验证损失值大于或者等于所述验证阈值,则确定所述验证结果为验证未通过,对所述第二光流重构编码器的参数进行调整并再次执行所述利用所述验证光流图像集对所述第二光流重构编码器进行验证处理的操作;
若所述验证损失值小于所述验证阈值,则确定所述验证结果为验证通过,保持所述第二光流重构编码器。
为了解决上述问题,本发明还提供一种基于光流重构的面部表情识别装置,所述装置包括:
数据处理模块,用于获取原始表情图像集,对所述原始表情图像集进行遮挡处理,得到遮挡表情图像集;利用预设的光流算法对所述遮挡表情图像集进行光流提取,得到初始光流图像集;
光流重构编码器训练模块,用于利用所述初始光流图像集对预设的第一光流重构编码器进行训练,得到第二光流重构编码器;
表情识别模块,用于获取待识别图片,将所述待识别图片输入至所述第二光流重构编码器中,得到所述待识别图片中面部表情的标准光流信息,将所述标准光流信息输入至预设的表情识别模型中,得到所述待识别图片中面部表情的预测表情类别。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现上述所述的基于光流重构的面部表情识别方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现上述所述的基于光流重构的面部表情识别方法。
本发明通过对所述原始表情图像集进行遮挡处理,得到遮挡表情图像集,利用预设的光流算法对所述遮挡表情图像集进行光流提取,得到初始光流图像集,所述初始光流图像集中的光流可以反应各遮挡表情图像中微小时间间隔内由于运动形成的影像变化,同时运动形成的影像变化可以揭露出各个区域之间的联系,因此根据初始光流图像集训练、验证及测试得到的第二光流重构编码器能够恢复被遮挡部位的光流信息,获取完整表情的光流信息。因此,将待识别图片输入至所述第二光流重构编码器中得到的标准光流信息结合了面部表情中各部分区域之间的联系,能包含完整的光流信息,将该光流信息输入至预设的表情识别模型中,表情识别模型可以根据完整的光流信息,进行准确地得到预测表情类别,避免因遮挡造成的无法获取区域之间关联的问题,提高识别效率。因此本发明提出的基于光流重构的面部表情识别方法、装置、电子设备及计算机可读存储介质,可以解决现有面部表情识别方法表情识别效率低的问题。
附图说明
图1为本发明一实施例提供的基于光流重构的面部表情识别方法的流程示意图;
图2为本发明一实施例提供的基于光流重构的面部表情识别装置的功能模块图;
图3为本发明一实施例提供的实现所述基于光流重构的面部表情识别方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
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。
本申请实施例提供一种基于光流重构的面部表情识别方法。所述基于光流重构的面部表情识别方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述基于光流重构的面部表情识别方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示,为本发明一实施例提供的基于光流重构的面部表情识别方法的流程示意图。在本实施例中,所述基于光流重构的面部表情识别方法包括:
S1、获取原始表情图像集,对所述原始表情图像集进行遮挡处理,得到遮挡表情图像集。
本发明实施例中,所述原始表情图像集中可以包含多个面部表情的人脸面部图像,其中,多个面部表情可以为愤怒、厌恶、恐惧、快乐、悲伤、惊讶等表情。例如,原始表情图像集中包含仅有人物人脸区域的图像,原始表情图像集中还包含人物半身或全身照的图像。
进一步地,原始表情图像集还可以包含出人物以外的动物的表情图像。
具体地,所述对所述原始表情图像集进行遮挡处理,得到遮挡表情图像集,包括:
对所述原始表情图像集中原始表情图像的预设部位进行遮掩,得到遮掩图像集;
以所述遮掩图像集中遮掩图像的目标部位为中心将所述遮掩图像裁剪为预设尺寸,得到遮掩表情图像集。
在本发明实施例中,所述预设部分为面部部位,例如,预设部位可以为眼睛、鼻子和嘴巴等。具体地,可以对原始表情图像中的多个预设部位进行遮掩,还可以是对原始表情图像中的一个预设部位进行遮掩,但在进行遮掩时,并不将所述原始表情图像上的全部部位都同时遮挡,即遮掩时,至少保留一处未遮掩的预设部位。
优选地,所述预设部分是以两瞳孔为连线的中间部位,或者所述预设部位是以两眼睛为连线的中间部位。则在本实施例中,以两瞳孔或两眼睛相距的中点为中心,以所述预设的尺寸为大小进行裁剪,从而可以删除所述人脸面部图像上的无用位置信息,完整保留用于面部表情识别的有用信息,减少信息冗余,提高计算效率。
其中,所述预设尺寸可以为24x24、48x48、64x64、96x96或者128x128。
优选的,预设尺寸为24x24。
由于遮挡表情图像集中的遮挡表情图像的尺寸越小,后续使用到的光流重构编码器所需要的元参数更小,光流重构编码器重建光流信息的速度就越快,故在本发明实施例中,优选预设尺寸为24x24,能够提高重建光流信息的速度。
S2、利用预设的光流算法对所述遮挡表情图像集进行光流提取,得到初始光流图像集。
本发明实施例中,所述利用预设的光流算法对所述遮挡表情图像集进行光流提取,得到初始光流图像集,包括:
利用预设的光流计算公式分别计算所述遮挡表情图像集中不同遮挡表情图像的每个像素点对应的光流;
将所述每个像素点对应的光流映射至预设的颜色空间,得到初始光流图像集。
详细地,光流(optical flow)是时变图像中模式运动速度,反映了微小时间间隔内由于运动形成的影像变化。
具体地,所述利用预设的光流计算公式分别计算所述遮挡表情图像集中不同遮挡表情图像的每个像素点对应的光流,包括:
利用如下所述光流计算公式分别计算所述遮挡表情图像集中不同遮挡表情图像的每个像素点对应的光流:
f1(x)=xTA1+xTB1+C1
f1(x-dx,y-dy)=f2(x)
其中,f1(x)表示所述遮挡表情图像集中不同遮挡表情图像的每个像素点坐标,f2(x)表示所述遮挡表情图像集中不同遮挡表情图像的每个像素点对应的光流,dx和dy分别表示所述每个像素点在x坐标轴和y坐标轴方向上的位移,A1和B1分别表示不同的矩阵向量,C1表示标量,T表示预设时间。
详细地,所述预设的颜色空间可以为HSV颜色空间。
S3、利用所述初始光流图像集对预设的第一光流重构编码器进行训练,得到第二光流重构编码器。
本发明实施例中,所述第一光流重构编码器(Auto-Encoder)是神经网络的一种,该神经网络可以由一个用于生成编码光流集的内置编码器和一个用于生成重构光流信息的内置解码器两部分组成,其中,由于所述第一光流重构编码器是对称的,故编所述内置码器部分和所述内置解码器部分是反向相同的。
具体的,本实施例中,所述预设的第一光流重构编码器用于对图像遮挡和未遮挡部分的光流信息进行重构处理。
优选的,所述利用所述初始光流图像集对预设的第一光流重构编码器进行训练,得到第二光流重构编码器,包括:
(1)按照预设的比例将所述初始光流图像集中的初始光流图像划分为训练光流图像集、验证光流图像集和测试光流图像集。
具体地,按照预设的比例将所述初始光流图像集进行划分,划分得到训练光流图像集、验证光流图像集和测试光流图像集。
优选地,所述预设的比例可以为8:1:1,即将初始光流图像集按照8:1:1的比例划分为训练光流图像集、验证光流图像集和测试光流图像集。从而可以尽可能的利用更多的数据进行训练,使初次训练更加精确,同时利用一部分图像数据进行验证和再测试,进一步对训练得到的模型进行优化,提高训练的得到的模型的准确性。
其中,所述训练光流图像集是用于模型拟合的数据样本,所述验证光流图像集是调整模型的超参数和用于对模型的能力进行初步评估,所述测试光流图像集用来评估模最终模型的泛化能力。
(2)利用所述训练光流图像集对所述第一光流重构编码器进行训练,得到第二光流重构编码器。具体地,所述利用所述训练光流图像集对所述第一光流重构编码器进行训练,得到第二光流重构编码器,包括:
利用所述第一光流重构编码器中的内置编码器对所述训练光流图像集进行编码处理,得到编码光流集;
将所述编码光流集输入至所述第一光流重构编码器中的内置解码器中进行解码处理,得到解码光流集;
计算所述解码光流集和预设的真实光流集之间的损失值,得到光流损失值;
判断所述光流损失值与预设的光流阈值的大小;
若所述光流损失值大于或者等于所述光流阈值,对所述第一光流重构编码器的模型参数进行调整,并将所述训练光流图像集输入至调整参数后的第一光流重构编码器中,得到新的解码光流集,将所述新的解码光流集与所述真实光流集之间的损失值作为所述光流损失值,再次执行判断所述光流损失值与预设的光流阈值的大小的操作,直至所述光流损失值小于所述光流阈值;
若所述光流损失值小于所述光流阈值,将所述第一光流重构编码器输出为第二光流重构编码器。
进一步地,所述利用所述第一光流重构编码器中的内置编码器对所述训练光流图像集进行编码处理,得到编码光流集,包括:
对所述训练光流图像集进行卷积处理,得到卷积光流图像集;
对所述卷积光流图像集进行池化处理,得到编码光流集。
详细地,利用预设的卷积层对所述训练光流图像集进行卷积处理,所述卷积层由若干卷积单元组成,每个卷积单元的参数都是通过反向传播算法最佳化得到的,其中,进行卷积处理的目的是提取出所述训练光流图像集中的不同特征。
本实施例中,所述池化处理的方法包括一般池化、重叠池化和空金字塔池化等。对所述卷积光流图像集进行池化处理可以降低卷积层输出的特征向量的维度,避免出现过拟合现象。
具体地,利用所述内置解码器对所述编码光流集进行解码处理,其中解码处理与所述编码处理的过程相反,即先对所述编码光流集进行池化处理,然后再进行卷积处理。
进一步地,所述计算所述解码光流集和预设的真实光流集之间的损失值,得到光流损失值,包括:
利用如下计算公式计算所述解码光流集和预设的真实光流集之间的损失值,得到光流损失值,包括:
其中,为光流损失值,/>为所述解码光流集,Y为所述预设的真实光流集,α为预设常数。
详细地,将计算得到的所述光流损失值与所述光流阈值进行比较,当所述光流损失值大于或者等于所述光流阈值时,对所述第一光流重构编码器的模型参数进行调整,其中,所述模型参数可以为所述第一光流重构编码器的权重参数或者光流重构编码器的梯度参数,将所述训练光流图像集输入至调整参数后的第一光流重构编码器中,得到新的解码光流集,计算新的解码光流集与所述真实光流集之间的光流损失值,直至所述光流损失值小于所述光流阈值时,将所述光流重构编码器输出为第二光流重构编码器。
(3)利用所述验证光流图像集对所述第二光流重构编码器进行验证处理,根据验证结果调整或保持所述第二光流重构编码器。
本发明实施例中,所述利用所述验证光流图像集对所述第二光流重构编码器进行验证处理,根据验证结果调整或保持所述第二光流重构编码器,包括:
将所述验证光流图像集输入至所述第二光流重构编码器中,得到验证光流重建集;
计算所述验证光流集和预设的验证真实重建集之间的损失值,得到验证损失值;
判断所述验证损失值与预设的验证阈值之间的大小;
若所述验证损失值大于或者等于所述验证阈值时,则所述验证结果为验证未通过,对所述第二光流重构编码器的参数进行调整并返回将所述验证光流图像集输入至调整后的第二光流重构编码器中再次进行验证处理;
若所述验证损失值小于所述验证阈值时,则所述验证结果为验证通过,保持所述第二光流重构编码器。
其中,所述第二光流重构编码器的参数为权重或者梯度参数。
详细地,所述验证处理可以对第二光流重构编码器的性能方面进行验证,优化所述第二光流重构编码器的光流重构能力。
(4)通过所述测试光流图像集对所述第二光流重构编码器进行测试处理。
具体地,所述通过所述测试光流图像集对所述第二光流重构编码器进行测试处理,包括:
将所述测试光流图像集输入至所述第二光流重构编码器中,输出测试光流重建集;
计算所述测试光流重建集和预设的真实标注流之间的测试损失值;
若所述测试损失值大于或者等于预设的测试阈值时,判定所述测试处理未通过;
若所述测试损失值小于所述测试阈值时,判定所述测试处理通过。
其中,所述计算所述测试光流重建集和预设的真实标注流之间的测试损失值与算所述解码光流集和预设的真实光流集之间的损失值过程相似,此处不再赘述。
本发明实施例中,利用所述测试光流图像集可以评估所述第二光流重构编码器的泛化能力。
(5)当测试未通过时,再次训练所述第二光流重构编码器。
本发明实施例中,当测试未通过时,再次对所述第二光流重构编码器进行训练,并将所述测试光流图像集输入至再次训练后的第二光流重构编码器中进行处理,计算输出的光流图像集和所述真实标注流之间的损失值,若大于所述测试阈值时,则调整所述第二光流重构编码器的模型参数,再次将所述测试光流图像集输入,直至所述测试损失值小于所述测试阈值时,将此时调整模型参数之后的第二光流重构编码器输出。
本发明另一可选实施例中,当测试通过时,将所述第二光流重构编码器输出用于后续对待识别图片进行光流重构处理。
S4、获取待识别图片,将所述待识别图片输入至所述第二光流重构编码器中,得到所述待识别图片中面部表情的标准光流信息,将所述标准光流信息输入至预设的表情识别模型中,得到所述待识别图片中面部表情的预测表情类别。
本发明实施例中,所述待识别图片是含有被遮挡部位的面部图像。
本实施例中通过第二光流重构编码器得到的标准光流信息包括了对所述待识别图像中完整部位的光流信息,既包含遮挡部位的光流信息也包含未遮挡部位的光流信息。进一步地,将标准光流信息输入至表情识别模型中,得到预测表情类别,所述预测表情类别可以为愤怒、厌恶、恐惧、快乐、悲伤、惊讶等。
详细地,本发明实施例中,所述表情识别模型可以为卷积神经网络。
本发明通过对所述原始表情图像集进行遮挡处理,得到遮挡表情图像集,利用预设的光流算法对所述遮挡表情图像集进行光流提取,得到初始光流图像集,所述初始光流图像集中的光流可以反应各遮挡表情图像中微小时间间隔内由于运动形成的影像变化,同时运动形成的影像变化可以揭露出各个区域之间的联系,因此根据初始光流图像集训练、验证及测试得到的第二光流重构编码器能够恢复被遮挡部位的光流信息,获取完整表情的光流信息。因此,将待识别图片输入至所述第二光流重构编码器中得到的标准光流信息结合了面部表情中各部分区域之间的联系,能包含完整的光流信息,将该光流信息输入至预设的表情识别模型中,表情识别模型可以根据完整的光流信息,进行准确地得到预测表情类别,避免因遮挡造成的无法获取区域之间关联的问题,提高识别效率。因此本发明提出的基于光流重构的面部表情识别方法可以解决现有面部表情识别方法表情识别效率低的问题。
如图2所示,是本发明一实施例提供的基于光流重构的面部表情识别装置的功能模块图。
本发明所述基于光流重构的人脸表情识别装置100可以安装于电子设备中。根据实现的功能,所述基于光流重构的面部表情识别装置100可以包括数据处理模块101、光流重构编码器训练模块102及表情识别模块103。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述数据处理模块101,用于获取原始表情图像集,对所述原始表情图像集进行遮挡处理,得到遮挡表情图像集;利用预设的光流算法对所述遮挡表情图像集进行光流提取,得到初始光流图像集;
所述光流重构编码器训练模块102,用于利用所述初始光流图像集对预设的第一光流重构编码器进行训练,得到第二光流重构编码器;
所述表情识别模块103,用于获取待识别图片,将所述待识别图片输入至所述第二光流重构编码器中,得到所述待识别图片中面部表情的标准光流信息,将所述标准光流信息输入至预设的表情识别模型中,得到所述待识别图片中面部表情的预测表情类别。
详细地,所述基于光流重构的面部表情识别装置100各模块的具体实施方式如下:
步骤一、获取原始表情图像集,对所述原始表情图像集进行遮挡处理,得到遮挡表情图像集。
本发明实施例中,所述原始表情图像集中可以包含多个面部表情的人脸面部图像,其中,多个面部表情可以为愤怒、厌恶、恐惧、快乐、悲伤、惊讶等表情。例如,原始表情图像集中包含仅有人物人脸区域的图像,原始表情图像集中还包含人物半身或全身照的图像。
进一步地,原始表情图像集还可以包含出人物以外的动物的表情图像。
具体地,所述对所述原始表情图像集进行遮挡处理,得到遮挡表情图像集,包括:
对所述原始表情图像集中原始表情图像的预设部位进行遮掩,得到遮掩图像集;
以所述遮掩图像集中遮掩图像的目标部位为中心将所述遮掩图像裁剪为预设尺寸,得到遮掩表情图像集。
在本发明实施例中,所述预设部分为面部部位,例如,预设部位可以为眼睛、鼻子和嘴巴等。具体地,可以对原始表情图像中的多个预设部位进行遮掩,还可以是对原始表情图像中的一个预设部位进行遮掩,但在进行遮掩时,并不将所述原始表情图像上的全部部位都同时遮挡,即遮掩时,至少保留一处未遮掩的预设部位。
优选地,所述预设部分是以两瞳孔为连线的中间部位,或者所述预设部位是以两眼睛为连线的中间部位。则在本实施例中,以两瞳孔或两眼睛相距的中点为中心,以所述预设的尺寸为大小进行裁剪,从而可以删除所述人脸面部图像上的无用位置信息,完整保留用于面部表情识别的有用信息,减少信息冗余,提高计算效率。
其中,所述预设尺寸可以为24x24、48x48、64x64、96x96或者128x128。
优选的,预设尺寸为24x24。
由于遮挡表情图像集中的遮挡表情图像的尺寸越小,后续使用到的光流重构编码器所需要的元参数更小,光流重构编码器重建光流信息的速度就越快,故在本发明实施例中,优选预设尺寸为24x24,能够提高重建光流信息的速度。
步骤二、利用预设的光流算法对所述遮挡表情图像集进行光流提取,得到初始光流图像集。
本发明实施例中,所述利用预设的光流算法对所述遮挡表情图像集进行光流提取,得到初始光流图像集,包括:
利用预设的光流计算公式分别计算所述遮挡表情图像集中不同遮挡表情图像的每个像素点对应的光流;
将所述每个像素点对应的光流映射至预设的颜色空间,得到初始光流图像集。
详细地,光流(optical flow)是时变图像中模式运动速度,反映了微小时间间隔内由于运动形成的影像变化。
具体地,所述利用预设的光流计算公式分别计算所述遮挡表情图像集中不同遮挡表情图像的每个像素点对应的光流,包括:
利用如下所述光流计算公式分别计算所述遮挡表情图像集中不同遮挡表情图像的每个像素点对应的光流:
f1(x)=xTA1+xTB1+C1
f1(x-dx,y-dy)=f2(x)
其中,f1(x)表示所述遮挡表情图像集中不同遮挡表情图像的每个像素点坐标,f2(x)表示所述遮挡表情图像集中不同遮挡表情图像的每个像素点对应的光流,dx和dy分别表示所述每个像素点在x坐标轴和y坐标轴方向上的位移,A1和B1分别表示不同的矩阵向量,C1表示标量,T表示预设时间。
详细地,所述预设的颜色空间可以为HSV颜色空间。
步骤三、利用所述初始光流图像集对预设的第一光流重构编码器进行训练,得到第二光流重构编码器。
本发明实施例中,所述第一光流重构编码器(Auto-Encoder)是神经网络的一种,该神经网络可以由一个用于生成编码光流集的内置编码器和一个用于生成重构光流信息的内置解码器两部分组成,其中,由于所述第一光流重构编码器是对称的,故编所述内置码器部分和所述内置解码器部分是反向相同的。
具体的,本实施例中,所述预设的第一光流重构编码器用于对图像遮挡和未遮挡部分的光流信息进行重构处理。
优选的,所述利用所述初始光流图像集对预设的第一光流重构编码器进行训练,得到第二光流重构编码器,包括:
(1)按照预设的比例将所述初始光流图像集中的初始光流图像划分为训练光流图像集、验证光流图像集和测试光流图像集。
具体地,按照预设的比例将所述初始光流图像集进行划分,划分得到训练光流图像集、验证光流图像集和测试光流图像集。
优选地,所述预设的比例可以为8:1:1,即将初始光流图像集按照8:1:1的比例划分为训练光流图像集、验证光流图像集和测试光流图像集。从而可以尽可能的利用更多的数据进行训练,使初次训练更加精确,同时利用一部分图像数据进行验证和再测试,进一步对训练得到的模型进行优化,提高训练的得到的模型的准确性。
其中,所述训练光流图像集是用于模型拟合的数据样本,所述验证光流图像集是调整模型的超参数和用于对模型的能力进行初步评估,所述测试光流图像集用来评估模最终模型的泛化能力。
(2)利用所述训练光流图像集对所述第一光流重构编码器进行训练,得到第二光流重构编码器。具体地,所述利用所述训练光流图像集对所述第一光流重构编码器进行训练,得到第二光流重构编码器,包括:
利用所述第一光流重构编码器中的内置编码器对所述训练光流图像集进行编码处理,得到编码光流集;
将所述编码光流集输入至所述第一光流重构编码器中的内置解码器中进行解码处理,得到解码光流集;
计算所述解码光流集和预设的真实光流集之间的损失值,得到光流损失值;
判断所述光流损失值与预设的光流阈值的大小;
若所述光流损失值大于或者等于所述光流阈值,对所述第一光流重构编码器的模型参数进行调整,并将所述训练光流图像集输入至调整参数后的第一光流重构编码器中,得到新的解码光流集,将所述新的解码光流集与所述真实光流集之间的损失值作为所述光流损失值,再次执行判断所述光流损失值与预设的光流阈值的大小的操作,直至所述光流损失值小于所述光流阈值;
若所述光流损失值小于所述光流阈值,将所述第一光流重构编码器输出为第二光流重构编码器。
进一步地,所述利用所述第一光流重构编码器中的内置编码器对所述训练光流图像集进行编码处理,得到编码光流集,包括:
对所述训练光流图像集进行卷积处理,得到卷积光流图像集;
对所述卷积光流图像集进行池化处理,得到编码光流集。
详细地,利用预设的卷积层对所述训练光流图像集进行卷积处理,所述卷积层由若干卷积单元组成,每个卷积单元的参数都是通过反向传播算法最佳化得到的,其中,进行卷积处理的目的是提取出所述训练光流图像集中的不同特征。
本实施例中,所述池化处理的方法包括一般池化、重叠池化和空金字塔池化等。对所述卷积光流图像集进行池化处理可以降低卷积层输出的特征向量的维度,避免出现过拟合现象。
具体地,利用所述内置解码器对所述编码光流集进行解码处理,其中解码处理与所述编码处理的过程相反,即先对所述编码光流集进行池化处理,然后再进行卷积处理。
进一步地,所述计算所述解码光流集和预设的真实光流集之间的损失值,得到光流损失值,包括:
利用如下计算公式计算所述解码光流集和预设的真实光流集之间的损失值,得到光流损失值,包括:
其中,为光流损失值,/>为所述解码光流集,Y为所述预设的真实光流集,α为预设常数。
详细地,将计算得到的所述光流损失值与所述光流阈值进行比较,当所述光流损失值大于或者等于所述光流阈值时,对所述第一光流重构编码器的模型参数进行调整,其中,所述模型参数可以为所述第一光流重构编码器的权重参数或者光流重构编码器的梯度参数,将所述训练光流图像集输入至调整参数后的第一光流重构编码器中,得到新的解码光流集,计算新的解码光流集与所述真实光流集之间的光流损失值,直至所述光流损失值小于所述光流阈值时,将所述光流重构编码器输出为第二光流重构编码器。
(3)利用所述验证光流图像集对所述第二光流重构编码器进行验证处理,根据验证结果调整或保持所述第二光流重构编码器。
本发明实施例中,所述利用所述验证光流图像集对所述第二光流重构编码器进行验证处理,根据验证结果调整或保持所述第二光流重构编码器,包括:
将所述验证光流图像集输入至所述第二光流重构编码器中,得到验证光流重建集;
计算所述验证光流集和预设的验证真实重建集之间的损失值,得到验证损失值;
判断所述验证损失值与预设的验证阈值之间的大小;
若所述验证损失值大于或者等于所述验证阈值时,则所述验证结果为验证未通过,对所述第二光流重构编码器的参数进行调整并返回将所述验证光流图像集输入至调整后的第二光流重构编码器中再次进行验证处理;
若所述验证损失值小于所述验证阈值时,则所述验证结果为验证通过,保持所述第二光流重构编码器。
其中,所述第二光流重构编码器的参数为权重或者梯度参数。
详细地,所述验证处理可以对第二光流重构编码器的性能方面进行验证,优化所述第二光流重构编码器的光流重构能力。
(4)通过所述测试光流图像集对所述第二光流重构编码器进行测试处理。
具体地,所述通过所述测试光流图像集对所述第二光流重构编码器进行测试处理,包括:
将所述测试光流图像集输入至所述第二光流重构编码器中,输出测试光流重建集;
计算所述测试光流重建集和预设的真实标注流之间的测试损失值;
若所述测试损失值大于或者等于预设的测试阈值时,判定所述测试处理未通过;
若所述测试损失值小于所述测试阈值时,判定所述测试处理通过。
其中,所述计算所述测试光流重建集和预设的真实标注流之间的测试损失值与算所述解码光流集和预设的真实光流集之间的损失值过程相似,此处不再赘述。
本发明实施例中,利用所述测试光流图像集可以评估所述第二光流重构编码器的泛化能力。
(5)当测试未通过时,再次训练所述第二光流重构编码器。
本发明实施例中,当测试未通过时,再次对所述第二光流重构编码器进行训练,并将所述测试光流图像集输入至再次训练后的第二光流重构编码器中进行处理,计算输出的光流图像集和所述真实标注流之间的损失值,若大于所述测试阈值时,则调整所述第二光流重构编码器的模型参数,再次将所述测试光流图像集输入,直至所述测试损失值小于所述测试阈值时,将此时调整模型参数之后的第二光流重构编码器输出。
本发明另一可选实施例中,当测试通过时,将所述第二光流重构编码器输出用于后续对待识别图片进行光流重构处理。
步骤四、获取待识别图片,将所述待识别图片输入至所述第二光流重构编码器中,得到所述待识别图片中面部表情的标准光流信息,将所述标准光流信息输入至预设的表情识别模型中,得到所述待识别图片中面部表情的预测表情类别。
本发明实施例中,所述待识别图片是含有被遮挡部位的面部图像。
本实施例中通过第二光流重构编码器得到的标准光流信息包括了对所述待识别图像中完整部位的光流信息,既包含遮挡部位的光流信息也包含未遮挡部位的光流信息。进一步地,将标准光流信息输入至表情识别模型中,得到预测表情类别,所述预测表情类别可以为愤怒、厌恶、恐惧、快乐、悲伤、惊讶等。
详细地,本发明实施例中,所述表情识别模型可以为卷积神经网络。
本发明通过对所述原始表情图像集进行遮挡处理,得到遮挡表情图像集,利用预设的光流算法对所述遮挡表情图像集进行光流提取,得到初始光流图像集,所述初始光流图像集中的光流可以反应各遮挡表情图像中微小时间间隔内由于运动形成的影像变化,同时运动形成的影像变化可以揭露出各个区域之间的联系,因此根据初始光流图像集训练、验证及测试得到的第二光流重构编码器能够恢复被遮挡部位的光流信息,获取完整表情的光流信息。因此,将待识别图片输入至所述第二光流重构编码器中得到的标准光流信息结合了面部表情中各部分区域之间的联系,能包含完整的光流信息,将该光流信息输入至预设的表情识别模型中,表情识别模型可以根据完整的光流信息,进行准确地得到预测表情类别,避免因遮挡造成的无法获取区域之间关联的问题,提高识别效率。因此本发明提出的基于光流重构的面部表情识别装置可以解决现有面部表情识别方法表情识别效率低的问题。
如图3所示,是本发明一实施例提供的实现基于光流重构的面部表情识别方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如基于光流重构的面部表情识别程序。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如基于光流重构的面部表情识别程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如基于光流重构的面部表情识别程序等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于光流重构的面部表情识别程序是多个指令的组合,在所述处理器10中运行时,可以实现:
获取原始表情图像集,对所述原始表情图像集进行遮挡处理,得到遮挡表情图像集;
利用预设的光流算法对所述遮挡表情图像集进行光流提取,得到初始光流图像集;
利用所述初始光流图像集对预设的第一光流重构编码器进行训练,得到第二光流重构编码器;
获取待识别图片,将所述待识别图片输入至所述第二光流重构编码器中,得到所述待识别图片中面部表情的标准光流信息,将所述标准光流信息输入至预设的表情识别模型中,得到所述待识别图片中面部表情的预测表情类别。
具体地,所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1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存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,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)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取原始表情图像集,对所述原始表情图像集进行遮挡处理,得到遮挡表情图像集;
利用预设的光流算法对所述遮挡表情图像集进行光流提取,得到初始光流图像集;
利用所述初始光流图像集对预设的第一光流重构编码器进行训练,得到第二光流重构编码器;
获取待识别图片,将所述待识别图片输入至所述第二光流重构编码器中,得到所述待识别图片中面部表情的标准光流信息,将所述标准光流信息输入至预设的表情识别模型中,得到所述待识别图片中面部表情的预测表情类别。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块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模块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,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。

Claims (4)

1.一种基于光流重构的面部表情识别方法,其特征在于,所述方法包括:
获取原始表情图像集,对所述原始表情图像集进行遮挡处理,得到遮挡表情图像集;
利用预设的光流算法对所述遮挡表情图像集进行光流提取,得到初始光流图像集;
利用所述初始光流图像集对预设的第一光流重构编码器进行训练,得到第二光流重构编码器;
获取待识别图片,将所述待识别图片输入至所述第二光流重构编码器中,得到所述待识别图片中面部表情的标准光流信息,将所述标准光流信息输入至预设的表情识别模型中,得到所述待识别图片中面部表情的预测表情类别;
其中,所述利用所述初始光流图像集对预设的第一光流重构编码器进行训练,得到第二光流重构编码器,包括:按照预设的比例将所述初始光流图像集中的初始光流图像划分为训练光流图像集、验证光流图像集和测试光流图像集;利用所述训练光流图像集对所述第一光流重构编码器进行训练,得到第二光流重构编码器;利用所述验证光流图像集对所述第二光流重构编码器进行验证处理,根据验证结果调整或保持所述第二光流重构编码器;通过所述测试光流图像集对所述第二光流重构编码器进行测试处理;当测试未通过时,通过所述训练光流图像集再次训练所述第二光流重构编码器;
所述利用预设的光流算法对所述遮挡表情图像集进行光流提取,得到初始光流图像集,包括:利用预设的光流计算公式分别计算所述遮挡表情图像集中不同遮挡表情图像的每个像素点对应的光流;将所述每个像素点对应的光流映射至预设的颜色空间,得到初始光流图像集;
所述利用所述训练光流图像集对所述第一光流重构编码器进行训练,得到第二光流重构编码器,包括:利用所述第一光流重构编码器中的内置编码器对所述训练光流图像集进行编码处理,得到编码光流集;将所述编码光流集输入至所述第一光流重构编码器中的内置解码器进行解码处理,得到解码光流集;计算所述解码光流集和预设的真实光流集之间的损失值,得到光流损失值;判断所述光流损失值与预设的光流阈值的大小;若所述光流损失值大于或者等于所述光流阈值,对所述第一光流重构编码器的模型参数进行调整,并将所述训练光流图像集输入至调整参数后的第一光流重构编码器中,得到新的解码光流集,将所述新的解码光流集与所述真实光流集之间的损失值作为所述光流损失值,再次执行判断所述光流损失值与预设的光流阈值的大小的操作,直至所述光流损失值小于所述光流阈值;若所述光流损失值小于所述光流阈值,将所述第一光流重构编码器输出为第二光流重构编码器;
所述对所述原始表情图像集进行遮挡处理,得到遮挡表情图像集,包括:对所述原始表情图像集中原始表情图像的预设部位进行遮掩,得到遮掩图像集;以所述遮掩图像集中遮掩图像的目标部位为中心将所述遮掩图像中的图像裁剪为预设尺寸,得到遮掩表情图像集;
所述利用所述验证光流图像集对所述第二光流重构编码器进行验证处理,根据验证结果调整或保持所述第二光流重构编码器,包括:将所述验证光流图像集输入至所述第二光流重构编码器中,得到验证光流重建集;计算所述验证光流重建集和预设的验证真实重建集之间的损失值,得到验证损失值;判断所述验证损失值与预设的验证阈值之间的大小;若所述验证损失值大于或者等于所述验证阈值,则确定所述验证结果为验证未通过,对所述第二光流重构编码器的参数进行调整并再次执行所述利用所述验证光流图像集对所述第二光流重构编码器进行验证处理的操作;若所述验证损失值小于所述验证阈值,则确定所述验证结果为验证通过,保持所述第二光流重构编码器。
2.一种基于光流重构的面部表情识别装置,用于实现如权利要求1所述的基于光流重构的面部表情识别方法,其特征在于,所述装置包括:
数据处理模块,用于获取原始表情图像集,对所述原始表情图像集进行遮挡处理,得到遮挡表情图像集;利用预设的光流算法对所述遮挡表情图像集进行光流提取,得到初始光流图像集;
光流重构编码器训练模块,用于利用所述初始光流图像集对预设的第一光流重构编码器进行训练,得到第二光流重构编码器;
表情识别模块,用于获取待识别图片,将所述待识别图片输入至所述第二光流重构编码器中,得到所述待识别图片中面部表情的标准光流信息,将所述标准光流信息输入至预设的表情识别模型中,得到所述待识别图片中面部表情的预测表情类别。
3.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1所述的基于光流重构的面部表情识别方法。
4.一种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所述的基于光流重构的面部表情识别方法。
CN202110535215.3A 2021-05-17 2021-05-17 基于光流重构的面部表情识别方法、装置、设备及介质 Active CN113239814B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110535215.3A CN113239814B (zh) 2021-05-17 2021-05-17 基于光流重构的面部表情识别方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110535215.3A CN113239814B (zh) 2021-05-17 2021-05-17 基于光流重构的面部表情识别方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN113239814A CN113239814A (zh) 2021-08-10
CN113239814B true CN113239814B (zh) 2024-02-02

Family

ID=77134757

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110535215.3A Active CN113239814B (zh) 2021-05-17 2021-05-17 基于光流重构的面部表情识别方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN113239814B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116912921B (zh) * 2023-09-12 2024-02-20 深圳须弥云图空间科技有限公司 表情识别方法、装置、电子设备及可读存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108647625A (zh) * 2018-05-04 2018-10-12 北京邮电大学 一种表情识别方法及装置
CN109615019A (zh) * 2018-12-25 2019-04-12 吉林大学 基于时空自动编码器的异常行为检测方法
CN111582059A (zh) * 2020-04-20 2020-08-25 哈尔滨工程大学 一种基于变分自编码器的人脸表情识别方法
CN111814589A (zh) * 2020-06-18 2020-10-23 浙江大华技术股份有限公司 部位识别方法以及相关设备、装置
WO2020232224A1 (en) * 2019-05-14 2020-11-19 Aic Innovations Group, Inc. Biomarker determination using optical flows
WO2021027553A1 (zh) * 2019-08-15 2021-02-18 深圳壹账通智能科技有限公司 微表情分类模型生成、图像识别方法、装置、设备及介质
CN112668453A (zh) * 2020-12-24 2021-04-16 平安科技(深圳)有限公司 视频识别方法及相关设备
CN112767441A (zh) * 2021-01-08 2021-05-07 南昌航空大学 一种基于残差场和位移场的图像光流优化方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI430185B (zh) * 2010-06-17 2014-03-11 Inst Information Industry 臉部表情辨識系統及其辨識方法及其電腦程式產品
US11284107B2 (en) * 2017-08-22 2022-03-22 Google Llc Co-located reference frame interpolation using optical flow estimation

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108647625A (zh) * 2018-05-04 2018-10-12 北京邮电大学 一种表情识别方法及装置
CN109615019A (zh) * 2018-12-25 2019-04-12 吉林大学 基于时空自动编码器的异常行为检测方法
WO2020232224A1 (en) * 2019-05-14 2020-11-19 Aic Innovations Group, Inc. Biomarker determination using optical flows
WO2021027553A1 (zh) * 2019-08-15 2021-02-18 深圳壹账通智能科技有限公司 微表情分类模型生成、图像识别方法、装置、设备及介质
CN111582059A (zh) * 2020-04-20 2020-08-25 哈尔滨工程大学 一种基于变分自编码器的人脸表情识别方法
CN111814589A (zh) * 2020-06-18 2020-10-23 浙江大华技术股份有限公司 部位识别方法以及相关设备、装置
CN112668453A (zh) * 2020-12-24 2021-04-16 平安科技(深圳)有限公司 视频识别方法及相关设备
CN112767441A (zh) * 2021-01-08 2021-05-07 南昌航空大学 一种基于残差场和位移场的图像光流优化方法及系统

Also Published As

Publication number Publication date
CN113239814A (zh) 2021-08-10

Similar Documents

Publication Publication Date Title
CN111429464B (zh) 医学图像分割方法、医学图像分割装置及终端设备
US20190392587A1 (en) System for predicting articulated object feature location
CN111932547B (zh) 图像中目标物的分割方法、装置、电子设备及存储介质
CN113705462B (zh) 人脸识别方法、装置、电子设备及计算机可读存储介质
US20230334893A1 (en) Method for optimizing human body posture recognition model, device and computer-readable storage medium
CN114462412B (zh) 实体识别方法、装置、电子设备及存储介质
CN113869219A (zh) 人脸活体检测方法、装置、设备及存储介质
CN113239814B (zh) 基于光流重构的面部表情识别方法、装置、设备及介质
CN115205225A (zh) 医学图像识别模型的训练方法、装置、设备及存储介质
CN113705749A (zh) 基于深度学习的二维码识别方法、装置、设备及存储介质
CN113705469A (zh) 人脸识别方法、装置、电子设备及计算机可读存储介质
CN115409041B (zh) 一种非结构化数据提取方法、装置、设备及存储介质
CN116630712A (zh) 基于模态组合的信息分类方法、装置、电子设备及介质
CN114511569B (zh) 基于肿瘤标志物的医学图像识别方法、装置、设备及介质
CN116664949A (zh) 目标物缺陷检测方法、装置、设备及存储介质
CN116468025A (zh) 电子病历结构化方法、装置、电子设备及存储介质
CN113705455B (zh) 身份核查方法、装置、电子设备及可读存储介质
CN113627394B (zh) 人脸提取方法、装置、电子设备及可读存储介质
CN116152399A (zh) 三维人脸形状生成方法、装置、设备及存储介质
CN115249371A (zh) 一种人脸识别模型的训练方法、装置及电子设备
CN111696637A (zh) 一种病历数据的质量检测方法和相关装置
CN117315431B (zh) 一种基于深度学习实现辐射后的造血效果分析方法及系统
CN114495290B (zh) 活体检测方法、装置、设备及存储介质
CN116664444A (zh) 基于图像的自编码器训练方法、装置、设备及存储介质
CN116741395A (zh) 知识图谱嵌入方法、装置、设备及存储介质

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
GR01 Patent grant
GR01 Patent grant