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！

龙图腾网获悉华南师范大学申请的专利基于改进特征金字塔网络的微表情识别方法及系统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：CN119380392B 。

龙图腾网通过国家知识产权局官网在2025-10-10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：202411673138.8，技术领域涉及：G06V40/16；该发明授权基于改进特征金字塔网络的微表情识别方法及系统是由梁艳;姚泽楠设计研发完成，并于2024-11-21向国家知识产权局提交的专利申请。

本基于改进特征金字塔网络的微表情识别方法及系统在说明书摘要公布了：本发明公开了基于改进特征金字塔网络的微表情识别方法及系统，具体步骤如下：步骤一：数据预处理，对于给定的微表情视频序列，从标记的起始帧周围几个帧中随机抽取一个帧图片作为模型训练的起始帧，同理从标记的顶点帧周围帧中随机抽取一帧作为模型训练的顶点帧；随机抽帧的作法可以在一定程度上减少模型过拟合的情况；抽帧完后的图片使用Dlib工具来检测人脸上的标志点，并根据这些标志点裁剪图像；所有裁剪图像都将调整为224×224像素大小；基于改进特征金字塔网络的微表情识别方法旨在在通过特征金字塔对人脸微表情的特征进行多尺度地特征学习，达到特征增强的目的，使模型更具泛化性。

本发明授权基于改进特征金字塔网络的微表情识别方法及系统在权利要求书中公布了：1.基于改进特征金字塔网络的微表情识别方法，其特征在于：具体步骤如下： 步骤一：数据预处理，对于给定的微表情视频序列，从标记的起始帧周围几个帧中随机抽取一个帧图片作为模型训练的起始帧，同理从标记的顶点帧周围帧中随机抽取一帧作为模型训练的顶点帧；随机抽帧的作法在一定程度上减少模型过拟合的情况；抽帧完后的图片使用Dlib工具来检测人脸上的标志点，并根据这些标志点裁剪图像；所有裁剪图像都将调整为224×224像素大小； 步骤二：经过数据预处理后，进一步对所有序列图像采用特征金字塔网络进行多尺度的全局特征增强； 步骤三：采用对称面部划分策略的局部特征增强方法； 步骤四：选用三分支卷积神经网络对增强特征后的数据进行微表情识别； 所述步骤四中，三分支卷积神经网络，由UM3模块与S2A2M模块组成，其中 UM3模块用于宏观面部表情识别，通过遍历所有可能的通道子集组合进行信息混合； S2A2M模块将通道注意力和空间注意力分别进行处理并将注意力融合机制放于最后，使S2A2M模块在两个子分支中提取显著性和统计性的通道和空间注意力，并使得S2A2M模块避免卷积块注意力模块中早期通道注意力融合引起的信息混淆； 输入的RGB图像序列经过特征金字塔网络和SFD后， 未经裁剪的完整人脸图像数据被作为全局信息，放入三分支卷积神经网络中的全局分支；全局分支由若干个UM3模块和一个卷积层组成，通过UM3模块遍历信道子集的所有可能组合进行信息混合后，经过一个卷积层得到输出Yglobal，并通过一个全连接层计算损失值Lglobal； 模型最终输出的预测结果Y公式如下： 1； 经过SFD裁剪后的左脸数据和右脸数据分别被送入三分支卷积神经网络中的左分支和右分支中进行训练，其中左分支和右分支均由若干个S2A2M模块和一个卷积层组成，通过S2A2M提取分支中显著性和统计性的通道和空间注意力后，再通过一个卷积层，与其它分支合并得到输出；由左分支和全局分支的输出相结合并通过一个全连接层计算Lleft；由右分支和全局分支的输出相结合并通过一个全连接层计算Lright；最后，左分支和右分支的输出相结合，得到输出Ylocal并通过一个全连接层计算Llocal； 最终的损失函数公式如下： ，2； 以上式中的α和β代表权衡参数；所述Yglobal是数据经过网络全局分支后得到的输出结果，而Ylocal是数据经过网络左分支和右分支后相加再除2得到的输出结果，Lglobal表示由模型全局分支计算出的损失值；Lleft表示由模型全局分支与左分支相结合计算出的损失值；Lright表示由模型全局分支与右分支相结合计算出的损失值；Llocal表示由模型左分支与右分支相结合计算出的损失值。

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师范大学，其通讯地址为：510631 广东省广州市天河区中山大道西55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”。

以上内容由龙图腾AI智能生成。