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！

龙图腾网获悉华南农业大学申请的专利跨域人脸表情识别方法、系统、设备及存储介质获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN117152806B 。

龙图腾网通过国家知识产权局官网在2025-08-19发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310938726.9，技术领域涉及：G06V40/16；该发明授权跨域人脸表情识别方法、系统、设备及存储介质是由高月芳;蔡奕腾;谢育浩;毕轩铭设计研发完成，并于2023-07-28向国家知识产权局提交的专利申请。

本跨域人脸表情识别方法、系统、设备及存储介质在说明书摘要公布了：本发明公开了一种跨域人脸表情识别方法、系统、设备及存储介质，所述方法包括：构建的模型包括特征提取器、独立对抗学习模块、独立伪标签生成模块、全局‑局部一致预测模块和独立分类学习模块，通过特征提取器从图像中提取包括全局特征和局部特征的多个特征向量；独立对抗学习模块根据提取的多个特征向量区别图像是来自于源域还是目标域；独立伪标签生成模块根据目标域图像提取的特征向量生成伪标签，进而通过全局‑局部一致预测模块得到目标域图像的伪标签；独立分类学习模块根据源域数据集、目标域数据集及对应的伪标签对摸型进行训练；将待预测图像输入训练好的模型中，输出伪标签。本发明利用构建的模型，能够显著提高面部表情识别的准确率。

本发明授权跨域人脸表情识别方法、系统、设备及存储介质在权利要求书中公布了：1.一种跨域人脸表情识别方法，其特征在于，所述方法包括： 获取源域数据集和目标域数据集，所述源域数据集包括多张源域图像，每张源域图像有一个标签；所述目标域数据集包括多张目标域图像； 构建的自适应全局-局部表示学习和统一预测网络模型包括特征提取器、独立对抗学习模块、独立伪标签生成模块、全局-局部一致预测模块和独立分类学习模块，所述特征提取器用于从图像中提取包括全局特征和局部特征的7个特征向量；所述独立对抗学习模块用于根据源域图像提取的多个特征向量和目标域图像提取的多个特征向量区别图像是来自于源域还是目标域；所述独立伪标签生成模块用于根据目标域图像提取的多个特征向量生成对应的多个伪标签，并通过设置自适应阈值过滤掉不可靠的伪标签；所述全局-局部一致预测模块用于采用一致性预测策略，将保留的多个伪标签进行联合预测，得到所述目标域图像的伪标签；所述独立分类学习模块用于根据源域图像和对应的标签，以及目标域图像及对应的伪标签，对自适应全局-局部表示学习和统一预测网络模型进行训练； 将待预测图像输入训练好的自适应全局-局部表示学习和统一预测网络模型中，通过全局-局部一致性预测模块输出对应的伪标签； 其中，所述独立伪标签生成模块具体用于： 将任意一个特征向量fi t输入独立伪标签生成模块中，输出对应的伪标签，包括： 将特征向量fi t输入独立伪标签生成模块中相应的分类器Gi中，得到7个类别的预测得分： 式中，是分类器Gi基于特征向量fi t预测目标域图像为类别j的分数，j＝0,1…,6，i＝0,1…,6； 由si得到概率最大的预测类p： p＝argmaxsi 利用分类器Gi学习到伪标签的数量计算7个类别的阈值ti为： 式中，表示分类器Gi为了生成类别j的伪标签需要到达的阈值，由以下方程计算： 式中，θ是固定的预设阈值，是关于的非线性映射函数，表示分类器Gi为生成j类的伪标签占所有伪标签的比例，计算如下： 式中，是分类器Gi生成的伪标签的数量，c是类别的总数，而maxc 是生成伪标签数量最多的类别所生成的伪标签数量；的取值范围为0-1，通过重写方程中的分母保证对的灵敏度： 通过设置动态阈值筛选可靠的标签，公式如下： 式中，-1表示伪标签生成失败；类p为特征向量fi t对应的伪标签； 将7个特征向量分别输入独立伪标签生成模块中，分别得到对应的伪标签； 所述独立对抗学习模块包括7个域鉴别器，分别对应7个脸部特征向量；所述独立对抗学习模块学习的过程表达为下式： 式中，fi s表示从源域图像提取的7个特征向量中的任意一个，fi t表示从目标域图像提取的7个特征向量中的任意一个，fi＝{fi s,fi t}；Di是D的一个成员，D为7个域鉴别器，是期望作为Di的损失；log[Difi]是二值分类交叉熵函数，用来对比源域的概率分布和目标域的概率分布；i＝0,1,2,…,6；Ds、Dt分别表示源域数据集和目标域数据集； 所述独立分类学习模块包括7个分类器Gi，分别对应7个脸部特征向量；对于源域图像都有一个准确的标签从中提取到的7个特征向量fi s均对应标签对于已有伪标签的目标域图像将伪标签分配至根据图像提取的7个特征向量fi t中；在完成分配之后，按照以下公式进行分类学习： 式中，fi s表示从源域图像提取的7个特征向量中的任意一个，fi t表示从目标域图像提取的7个特征向量中的任意一个，fi＝{fi s,fi t}；Gi表示7个分类器中的任意一个；表示多分类交叉熵的计算操作，将熵的期望定义为分类损失；i＝0,1,2,…,6；Ds、Dt分别表示源域数据集和目标域数据集。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人华南农业大学，其通讯地址为：510642 广东省广州市天河区五山路483号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。