一种基于深度学的人脸表情识别方法

摘要

本发明公开了一种基于深度学的人脸表情识别方法，包含如下步骤：从人脸表情数据库中提取人脸表情图像；对人脸表情图像进行预处理；将预处理后的全部图像分为训练样本和测试样本两部分；将训练样本用于深度信念网络的训练；将深度信念网络的训练结果用于多层感知器的初始化；将测试样本输送到初始化后的多层感知器进行识别测试，实现人脸表情识别结果的输出；本发明的有益效果是：对于表情特征的提取，直接采用了表情图像的原始像素特征信息；将深度信念网络与多层感知器相融合，从而实现深度信念网络的分类功能；充分利用深度信念网络较强的无监督特征学能力，提供一种高性能的基于深度学的人脸表情识别方法。

主权项

一种基于深度学习的人脸表情识别方法，其特征在于，该方法包含如下步骤：步骤1、从人脸表情数据库中提取人脸表情图像；步骤2、对人脸表情图像进行预处理；步骤3、将预处理后的全部图像分为训练样本和测试样本两部分；步骤4、将训练样本用于深度信念网络（DBN）的训练；步骤5、将深度信念网络（DBN）的训练结果用于多层感知器（MLP）的初始化；步骤6、将测试样本输送到初始化后的多层感知器（MLP）进行识别测试，实现人脸表情识别结果的输出；其中，（1）人脸表情图像的预处理，包括：对人脸表情数据库中的每一幅表情图像进行采样，以便降低表情图像的特征维数，并将表情图像的每个像素值归一化到方差为1和均值为0；（2）深度信念网络（DBN）的训练，包括：深度信念网络（DBN）的预训练(pre‑training)和深度信念网络（DBN）的调优(fine‑tuning)两个步骤。训练过程中采用的图像样本来源于人脸表情数据库中的训练样本；（3）多层感知器（MLP）的初始化，包括：首先建立一个在隐层层数、隐层节点数上与深度信念网络（DBN）完全一样的多层感知器（MLP）模型。然后，将训练好之后的深度信念网络（DBN）模型中的每一层隐层的网络权重值，直接输入给多层感知器（MLP）模型中相应的每一层隐层网络当中，从而使得多层感知器（MLP）模型与训练好之后的深度信念网络（DBN）模型，在隐层层数、隐层节点数、以及每一层隐层的网络权重值三个方面上都保持一样；（4）人脸表情识别结果的输出，包括：对于人脸表情数据库中的测试样本，采用初始化之后的多层感知器（MLP）模型进行人脸表情图像样本的识别测试，输出人脸表情识别结果。人脸表情识别测试时，采用5次交叉验证方法，即将全部表情图像样本平均分成5份，每次使用其中的4份数据作为训练样本用于训练，剩下的1份数据作为测试样本用于识别测试。这样的识别实验相应重复5次，最后取5次的平均值作为识别结果。