专利交易市场

本发明请求保护一种基于轻量级网络的深度二值特征人脸表情识别方法，属于模式识别技术领域。所述方法主要包括以下步骤：首先，构建一套将参数二值化的卷积神经网络框架，将二值卷积模式植入每层残差网络层中，形成双向决策网络模型；然后，对输入网络的图像进行基于像素梯度的LBP动态半径特征提取，构建具有Huffman权重的LBP权重图谱和具有Huffman权重的LBP二值图谱；再将LBP权重图谱、LBP二值图谱与原始图像作为BRCNN网络的多输入特征，构建深度二值特征；最后，将深度二值特征级联后进行分类。本发明极大减少了网络训练时的参数量，降低了网络的计算代价；增强了特征的表达能力，提升了本方法在人脸表情识别的鲁棒性和速率。

本发明请求保护一种基于平行卷积神经网络特征图融合的人脸表情识别方法。该方法模拟人双眼视觉通道，设计一种平行结构的卷积神经网络，在卷积池化层后对平行通道的特征图进行融合；并在全连接层结构上，将其中一通道采用稀疏全连接输出，另一通道采用稠密全连接输出，最后二者输出融合并分类；采用人脸表情数据进行模型训练达到较高识别率后使用测试样本检测模型的识别效果，并获得较高的识别准确率，为情感分析人脸表情识别提供了一个新的方法。

本发明涉及无约束人脸表情识别领域，特别涉及一种嵌入高阶信息的轻量级无约束人脸表情识别方法及系统，所述方法包括对输入的数据进行预处理以及图像增强，并输入到轻量级特征提取网络中，提取出人脸表情图像的深层特征图；将深层特征图输入二阶有效通道注意力模块的输入，统计深层表情特征的二阶信息并捕获跨通道特征间的相互依赖关系；使用交叉熵损失和中心损失联合优化网络模型；将待测的人脸表情图像输入到训练好的网络模型中，分类器根据人脸表情特征输出最终预测表情类别；本发明的网络模型具有较少的参数量，较低的显存需求和计算量，并且没有使用额外的数据预训练模型，精度较高，相关产品的适用性较强。