买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：重庆大学

摘要：本发明公开了一种基于SNN的边缘特征提取与面部表情识别方法，其包括步骤1提取人脸图像的显著性特征，2通过多任务卷积神经网络提取人脸图像在眼睛区域和在嘴鼻区域的特征；3对步骤2提取到的中央凹区进行延迟编码，实现图像特征在时间维度上的脉冲序列转换；4通过SNN提取脉冲序列的边缘特征；5通过回声状态网络预测眼睛区域和嘴巴区域的表情类别；6判断预测的眼睛区域和嘴巴区域的表情类别是否相同，如相同则输出表情识别结果；若不相同,则结合特征脸算法计算竞争值H，并输出表情识别结果。本发明能充分学习到面部表情的关键纹理信息，具有较强的区分性，在训练集数量较少的情况下能更好的保证较高的识别精度。

主权项：1.基于SNN的边缘特征提取与面部表情识别方法，其特征在于：包括以下步骤：1提取人脸图像的显著性特征；2通过多任务卷积神经网络提取人脸图像在眼睛区域的关键点和在嘴鼻区域的关键点，标记并保存关键点，再分别提取出包含眼睛区域关键点的中央凹腔和包含嘴鼻区域关键点的中央凹区；3对步骤2提取到的中央凹区进行延迟编码，实现图像特征在时间维度上的脉冲序列转换；4通过SNN网络提取脉冲序列的边缘特征；输入脉冲和所述SNN网络的输出神经元之间的连接权重使用突触可塑性学习算法更新：在训练过程中，每个输出神经元会被标记为P+或者P-类型，如果输入样本为第i类，此时要求该网络中的第i个输出神经元放电，其他的神经元保持静默状态；如果指定的第i神经元未放电则出现P+类型错误，如果其他神经元放电则出现了P-类型错误，突触可塑性学习算法如下： Δwi为第i类对应的权重增量，λ为限制权重增量更新幅值的设计参数，Ktmax-ti为核函数，tmax表示神经元电压超过膜电位的峰值时间，ti表示第i个脉冲到达的时间；5通过连接在SNN网络的输出层之后的回声状态网络预测眼睛区域的表情类别id1和嘴巴区域的表情类别id2，回声状态网络的输出设置为表情总类别，回声状态网络的更新方程和输出方程如下：xjn+1＝tanhWinun+1+Wresxn+Wbackyn+vnyn+1＝foutWout[xn+1|ux+1]其中vn表示噪声信号，fout为输出单元的活性函数，Win为输入连接权重，Wres为内部连接权重，Wout为输出连接权重，Wback为反馈连接权重，tanh为储备池的激励函数；un表示输入信号，xn表示储备池的状态，yn表示输出信号；其中，Wres＝αW0σmax，W0为初始储备池连接权值，σmax为W0的谱半径，α为Wres的谱半径；6判断预测的眼睛区域的表情类别id1和嘴巴区域的表情类别id2是否相同，如相同则输出表情识别结果；若不相同,则回声状态网络输出各类表情的竞争值H1，所述竞争值H1由眼睛区域的预测表情类别id1和嘴巴区域的预测表情类别id2累加得到，并将竞争值H1和由Eigenface算法计算得到的竞争值H2进行线性叠加得到竞争值H，根据赢者通吃机制以H值中最大一项所对应的表情类别作为表情识别结果；回声状态网络的输出层与决策层之间的连接权重wt2通过测试图像与训练集之间的HOG特征的相似度给定，HOG相似度计算包括以下步骤：S1计算HOG特征；假设一个cell内x,y处的像素为Px,y，其中Gxx,y、Gyx,y分别表示像素点x,y处的水平梯度和垂直梯度，Gx,y、αx,y分别表示像素点x,y处的梯度幅值和梯度方向，x,y处的HOG特征计算公式如下：Gx＝Px+1,y-Px-1,yGy＝Px,y+1-Px,y-1 αx,y＝tan-1Gxx,yGyx,y在每个胞元内，统计梯度直方图并进行投票操作，将梯度方向划分到无符号的0-180°的9个方向块，每个方向块占据的角度为20°，然后根据梯度角度将梯度幅值对应加到每个类中，每次累加1，得到HOG特征；S2利用如下公式计算测试图像与训练图像之间的相似度系数corr2： 其中A、B分别为训练图像和测试图像，长度都为l；表示训练图像A的平均值，表示测试图像B的平均值，Amn为训练数据的特征向量，Bmn为测试数据的特征向量。

全文数据：

权利要求：

百度查询： 重庆大学 基于SNN的边缘特征提取与面部表情识别方法