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！

龙图腾网获悉合肥工业大学申请的专利面部表情识别模型的训练方法及面部表情识别方法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：CN119851328B 。

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：202510051043.0，技术领域涉及：G06V40/16；该发明授权面部表情识别模型的训练方法及面部表情识别方法是由孙晓;沈康;刘序雄;王雨;管雨洁;刘心设计研发完成，并于2025-01-13向国家知识产权局提交的专利申请。

本面部表情识别模型的训练方法及面部表情识别方法在说明书摘要公布了：本发明提供一种面部表情识别模型的训练方法及面部表情识别方法，涉及图片识别技术领域，训练方法将获取的面部图像进行翻转，利用人脸自然对称性的特征，计算面部图像的特征和面部翻转图像的特征之间的一致性，得到第一损失值，将模型注意力集中于面部关键特征；将面部图像分成干净图像子集和噪声图像子集，干净图像采用监督学习方法进行训练，得到第二损失值，噪声图像采用自监督学习方法进行训练，得到第三损失值；最终将三个损失值融合，结合总损失值和预设损失值，对初始识别模型进行调整，提高识别模型训练的效率，增强面部表情识别模型的鲁棒性和准确性。

本发明授权面部表情识别模型的训练方法及面部表情识别方法在权利要求书中公布了：1.一种面部表情识别模型的训练方法，其特征在于，包括： 将获取的面部图像进行水平翻转，得到面部翻转图像； 将面部图像和面部翻转图像分别输入至初始识别模型中，分别得到所述面部图像的第一注意力图、所述面部翻转图像的第二注意力图、所述面部图像的第一预测分类概率序列和所述面部翻转图像的第二预测分类概率序列； 根据所述第一注意力图和所述第二注意力图，得到第一损失值； 根据所述第一预测分类概率序列、第二预测分类概率序列和每种表情类别对应的自适应阈值对所述面部图像进行划分，得到干净图像子集和噪声图像子集； 采用监督学习方法对所述干净图像子集进行训练，得到第二损失值； 采用自监督学习方法对所述噪声图像子集进行训练，得到第三损失值； 将所述第一损失值、所述第二损失值和所述第三损失值，得到总损失值； 当所述总损失值的波动值大于或等于预设阈值时，对所述初始识别模型的模型参数进行调整，并对调整后的所述初始识别模型进行训练； 当所述总损失值的波动值小于预设阈值时，将当前调整后的所述初始识别模型作为所述面部表情识别模型； 所述根据所述第一预测分类概率序列、第二预测分类概率序列和每种表情类别对应的自适应阈值对所述面部图像进行划分，得到干净图像子集和噪声图像子集包括： 将所述第一预测分类概率序列中的每种表情类别对应的预测分类概率与所述第二预测分类概率序列中同种表情类别对应的预测分类概率相加取平均值，得到每种表情类别对应的预测分类概率均值； 比较多种所述表情类别对应的预测分类概率均值，将最大的所述预测分类概率均值对应的所述表情类别和最大的所述预测分类概率均值确定为所述面部图像所属的表情类别和所属的表情类别对应的预测分类概率均值； 根据所述第一预测分类概率序列中最大的预测分类概率，将所述面部图像分类到最大的预测分类概率对应的所述表情类别，得到每种所述表情类别对应的预测样本； 根据每种所述表情类别的预测样本中每个面部图像的预测分类概率，得到每种所述表情类别对应的分类概率均值，将所述分类概率均值作为所述表情类别的自适应阈值； 当所述面部图像所属的表情类别的预测分类概率均值大于或等于同种所述表情类别的自适应阈值时，将所述面部图像确定为干净图像，得到所述干净图像子集； 当所述面部图像所属的表情类别的预测分类概率均值小于同种所述表情类别的自适应阈值时，将所述面部图像确定为噪声图像，得到所述噪声图像子集； 其中，所述自适应阈值Tc为： 其中，表示第k类表情对应的自适应阈值，Nsk表示第k类表情对应的预测样本中的样本数，pi表示预测样本中的每个图片样本对应的预测分类概率的最大值。

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合肥工业大学，其通讯地址为：230009 安徽省合肥市包河区屯溪路193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。