-
公开(公告)号：CN113869229A
公开(公告)日：2021-12-31
申请号：CN202111153251.X
申请日：2021-09-29
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于先验注意力机制引导的深度学习表情识别方法，包括以下步骤：S1、对待识别的人脸图像进行人脸检测；S2、计算双眼和嘴部的中心坐标；S3、截取眼部和嘴部三个区域；S4、将人脸区域图像输入VGG16卷积神经网络，将眼部和嘴部区域图像输入到另一个VGG16卷积神经网络，得到四个一维特征向量；S5、获取全局人脸图像和三个局部区域图像对应的权重系数；S6、将特征向量与权重系数相乘；S7、进行特征融合；S8、输入全连接层进行特征降维；S9、通过Softmax激活函数激活得到表情类别。本发明结合眼动和注意力实验，在训练表情识别模型的时候，将更多的注意力放到特征更加丰富的眼部和嘴部区域，从而提高表情识别的准确率。
-
公开(公告)号：CN113869229B
公开(公告)日：2023-05-09
申请号：CN202111153251.X
申请日：2021-09-29
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于先验注意力机制引导的深度学习表情识别方法，包括以下步骤：S1、对待识别的人脸图像进行人脸检测；S2、计算双眼和嘴部的中心坐标；S3、截取眼部和嘴部三个区域；S4、将人脸区域图像输入VGG16卷积神经网络，将眼部和嘴部区域图像输入到另一个VGG16卷积神经网络，得到四个一维特征向量；S5、获取全局人脸图像和三个局部区域图像对应的权重系数；S6、将特征向量与权重系数相乘；S7、进行特征融合；S8、输入全连接层进行特征降维；S9、通过Softmax激活函数激活得到表情类别。本发明结合眼动和注意力实验，在训练表情识别模型的时候，将更多的注意力放到特征更加丰富的眼部和嘴部区域，从而提高表情识别的准确率。
-
公开(公告)号：CN113887386B
公开(公告)日：2023-04-28
申请号：CN202111150324.X
申请日：2021-09-29
Applicant: 电子科技大学
IPC: G06V40/16 , G06V40/18 , G06V40/19 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于深度学习和机器学习的多特征融合的疲劳检测方法，包括以下步骤：S1、数据获取：收集疲劳人脸图像；S2、构建表情识别数据集；S3、提取注意力特征图：将表情识别数据集输入深度残差网络中，得到注意力特征图，然后将注意力特征图添加到新构建的包含疲劳人脸表情的新数据集中，构建注意力特征图的数据集；S4、将包含注意力特征图的表情识别数据集输入19层的卷积神经网络VGG19中进行训练；S5、提取传统疲劳特征；S6、提取深度学习置信度；S7、融合多特征训练机器学习分类器。本发明基于注意力特征图引导的表情识别模型，使用深度学习网络，将注意力集中于人脸上特征最丰富的眼睛和嘴巴区域，能够提高表情识别的识别精度。
-
公开(公告)号：CN113887386A
公开(公告)日：2022-01-04
申请号：CN202111150324.X
申请日：2021-09-29
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于深度学习和机器学习的多特征融合的疲劳检测方法，包括以下步骤：S1、数据获取：收集疲劳人脸图像；S2、构建表情识别数据集；S3、提取注意力特征图：将表情识别数据集输入深度残差网络中，得到注意力特征图，然后将注意力特征图添加到新构建的包含疲劳人脸表情的新数据集中，构建注意力特征图的数据集；S4、将包含注意力特征图的表情识别数据集输入19层的卷积神经网络VGG19中进行训练；S5、提取传统疲劳特征；S6、提取深度学习置信度；S7、融合多特征训练机器学习分类器。本发明基于注意力特征图引导的表情识别模型，使用深度学习网络，将注意力集中于人脸上特征最丰富的眼睛和嘴巴区域，能够提高表情识别的识别精度。
-
-
-
Search Results
4
records
(took 0.012 seconds)
