表情识别模型训练方法、装置、设备和存储介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110309713A(43)申请公布日2019.10.08(21)申请号201910427443.1(22)申请日2019.05.22(71)申请人深圳壹账通智能科技有限公司地址518052广东省深圳市前海深港合作区前湾一路A栋201室(72)发明人王丽杰(74)专利代理机构北京市京大律师事务所11321代理人刘挽澜(51)Int.Cl.G06K9/00(2006.01)G06K9/62(2006.01)权利要求书3页说明书9页附图2页(54)发明名称表情识别模型训练方法、装置、设备和存储介质(57)摘要本申请涉及人工智能技术领域，提供了表情识别模型训练方法、装置、设备和存储介质，方法包括：对原训练图像集合分别进行以下处理：降低原训练图像集合的分辨率，得到第一类训练图像集合；渲染原训练图像集合的背景光线，得到第二类训练图像集合；降低原训练图像集合的分辨率，并且渲染原训练图像集合的背景光线，得到第三类训练图像集合；通过原训练图像集合、第一类训练图像集合、第二类训练图像集合所述第三类训练图像集合训练表情识别模型。通过对原训练图像的清晰度或背景色调等特征进行调整，得到多类新的训练图像，新的训练图像无需再做人工打标处理，丰富了表情识别模型的训练样本图像集。CN110309713ACN110309713A权利要求书1/3页1.一种表情识别模型训练方法，其特征在于，包括：获取原训练图像集合；所述原训练图像集合包括多个已标注的原训练图像；对所述原训练图像集合分别进行以下处理：降低所述原训练图像集合中的各原训练图像的分辨率，得到第一类训练图像集合；渲染所述原训练图像集合中的各原训练图像的背景光线，得到第二类训练图像集合；降低所述原训练图像集合中的各原训练图像的分辨率，并且渲染各原训练图像的背景光线，得到第三类训练图像集合；分别通过所述原训练图像集合、所述第一类训练图像集合、所述第二类训练图像集合以及所述第三类训练图像集合训练表情识别模型。2.根据权利要求1所述的表情识别模型训练方法，其特征在于，在所述分别通过所述原训练图像集合、所述第一类训练图像集合、所述第二类训练图像集合以及所述第三类训练图像集合训练表情识别模型之后，所述方法还包括：获取原测试图像集合；所述原测试图像集合包括多个原测试图像；原测试图像用于测试训练后的表情识别模型对人脸图像识别的准确率；对所述原测试图像集合分别进行以下处理：降低所述原测试图像集合中的各原测试图像的分辨率，得到第一类测试图像集合；渲染所述原测试图像集合中的各原测试图像的背景光线，得到第二类测试图像集合；降低所述原测试图像集合中的各原测试图像的分辨率，并且渲染各原测试图像的背景光线，得到第三类测试图像集合；通过训练后的表情识别模型对所述原测试图像集合、所述第一类测试图像集合、所述第二类测试图像集合以及所述第三类测试图像集合进行识别；分别统计所述训练后的表情识别模型对所述原测试图像集合、所述第一类测试图像集合、所述第二类测试图像集合以及所述第三类测试图像集合识别的准确率。3.根据权利要求1所述的表情识别模型训练方法，其特征在于，采用深度神经网络模型降低所述原训练图像集合中的各原训练图像的分辨率；在所述获取原训练图像集合之前，所述方法还包括：以高分辨率子图像样本作为深度神经网络框架的输入样本，以低分辨率子图像样本作为所述深度神经网络框架的输出对比样本，生成所述深度神经网络模型；高分辨率子图像样本为低分辨率子图像样本分辨率转化后的图像。4.根据权利要求3所述的表情识别模型训练方法，其特征在于，在所述以高分辨率子图像样本作为深度神经网络框架的输入样本，以低分辨率子图像样本作为所述深度神经网络框架的输出对比样本，生成所述深度神经网络模型之前，所述方法还包括：将低分辨率图像样本分割为多个低分辨率子图像样本；采用图像转换算法对低分辨率子图像样本进行图像转换，得到低分辨率子图像样本对应的高分辨率子图像样本。5.根据权利要求4所述的表情识别模型训练方法，其特征在于，所述采用图像转换算法对低分辨率子图像样本进行图像转换，得到低分辨率子图像样本对应的高分辨率子图像样本，包括：2CN110309713A权利要求书2/3页采用图像全变分算法对低分辨率子图像样本进行分解，得到卡通子图像样本和纹理子图像样本；采用插值算法对所述卡通子图像样本进行放大，得到放大后的卡通子图像样本；采用同伦法对所述纹理子图像样本进行放大，得到放大后的纹理子图像样本；对所述放大后的卡通子图像样本和所述放大后的纹理子图像样本进行合成，得到高分辨率子图像样本。6.根据权利要求5所述的表情识别模型训练方法，其特征在于，所述图像全变分算法的表达式为：其中，(xp,yp)表示低分辨率子图像样本中当前