申请/专利权人：华南理工大学

申请日：2021-03-30

公开（公告）日：2024-04-09

公开（公告）号：CN113158828B

主分类号：G06V40/70

分类号：G06V40/70;G06V40/10;G06V40/16;G06V10/44;G06V10/80;G06V10/82;G06N3/045;G06N3/0464;G06N3/084

优先权：

专利状态码：有效-授权

法律状态：2024.04.09#授权;2021.08.10#实质审查的生效;2021.07.23#公开

摘要：本发明提供了一种基于深度学习的面部情感校准方法及系统。所述方法包括以下步骤：对含有人脸的原始图像进行预处理；将预处理后的原始图像送入训练过的第一卷积神经网络，并结合肤色模型，检测原始图像中手部出现的具体位置和大小，作为肢体特征；将预处理后的原始图像送入训练过的第二卷积神经网络，提取表情特征；将提取的肢体特征与表情特征进行融合，决定最终的情感属性与能级。本发明提供了一种基于深度学习的面部情感校准系统，通过人脸检测、关键点检测、人脸对齐，提取肢体特征与表情特征并最终融合等步骤，能够捕获更准确、真实、丰富的面部情感信息，具有广阔的应用前景。

主权项：1.一种基于深度学习的面部情感校准方法，其特征在于，包括以下步骤：S1、对含有人脸的原始图像进行预处理；S2、将预处理后的原始图像送入训练过的第一卷积神经网络，并结合肤色模型，检测原始图像中手部出现的具体位置和大小，作为肢体特征；采用手部模板与由非遮挡人脸合成的批量图片作为训练集，利用反向传播与批随机梯度下降的方法来寻找第一卷积神经网络的最优参数，得到训练过的第一卷积神经网络并将其作为第二识别模型；将步骤S1中得到的预处理后的原始图像送入第二识别模型，得到原始图像中手部的初步位置与面积；利用肤色模型的知识，排除非手部类型的遮挡，得到原始图像中手部出现的具体位置和大小，作为肢体特征；S3、将预处理后的原始图像送入训练过的第二卷积神经网络，提取表情特征；S4、将步骤S2中提取的肢体特征与步骤S3中提取的表情特征进行融合，决定最终的情感属性与能级；将步骤S3中得到的原始图像中人脸表情的多种分类结果作为面部情感的候选基属性，将步骤S2中得到的肢体特征作为面部情感的基属性的微调元素；将原始图像中人脸面部区域进行编码，结合心理学先验知识与肢体特征，对面部情感的基属性进行微调，提高或降低情感的能级，具体如下：将面部情感多个候选基属性的置信度按照从低到高分为N个能级；人脸面部区域根据位置的不同编码为面部热力图，额头处温度偏低，表示情感的削弱，取值设置为-1；双眼区域温度中等，表示情感处于稳态，取值设置为0；两颊及嘴巴区域温度较高，表示情感的加强，取值设置为1；手部在面部热力图的面积代表温度的扩散度；微调等级由温度特性与扩散度共同决定；对情感基属性的微调具体如下： Ti∈{-1，0，+1}；nij＝rounddownCij*N；其中，Ti表示M个预处理后的原始图像中的第i个原始图像样本的温度；Ki表示第i个原始图像样本的扩散度；nij表示第i个原始图像样本的第j个候选情感基属性的能级，Cij表示第i个原始图像样本的第j个候选情感基属性的置信度，rounddown表示向下取整运算；最后选取微调后能级最高的基属性作为最终的分类结果，同时得到该基属性对应的情感的能级。

全文数据：

权利要求：

百度查询： 华南理工大学 一种基于深度学习的面部情感校准方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD