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！

龙图腾网获悉北京工商大学申请的专利基于多尺度注意力机制的部分遮挡面部的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：CN115457641B 。

龙图腾网通过国家知识产权局官网在2026-01-30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：202211283845.7，技术领域涉及：G06V40/16；该发明授权基于多尺度注意力机制的部分遮挡面部的表情识别方法是由陈红倩;高卉;吴倩设计研发完成，并于2022-10-21向国家知识产权局提交的专利申请。

本基于多尺度注意力机制的部分遮挡面部的表情识别方法在说明书摘要公布了：本发明涉及一种基于多尺度注意力机制的部分遮挡面部的表情识别方法，属于计算机学科下的计算机视觉领域。实现步骤为：首先确定训练集和验证集，对图像进行预处理；然后构建表情识别模型，在ResNet18网络的四组残差结构后分别添加注意力机制，组成“多尺度注意力机制”对不同大小特征图进行处理并提取不同的特征信息；使用“分区损失函数”指导四个注意力机制分别关注在不同区域，提取多尺度特征向量并将其输入到Softmax分类器，获得图像中的面部表情类别；最后，通过训练集训练并使用验证集验证表情识别模型的有效性；当模型准确率达到要求后，使用该模型识别输入图像的面部表情类别；通过本方法能够提高面部被部分遮挡的图像的表情识别的准确性。

本发明授权基于多尺度注意力机制的部分遮挡面部的表情识别方法在权利要求书中公布了：1.一种基于多尺度注意力机制的部分遮挡面部的表情识别方法，其特征在于，包括以下步骤： 步骤一、确定训练集和验证集； 其中训练集分别包括RAF-DB、FER+、FED-RO公开数据集的训练集，验证集包括RAF-DB、FER+、FED-RO公开数据集的验证集；面部表情包括惊讶、恐惧、厌恶、快乐、悲伤、愤怒和中性七类； 步骤二、对训练集和测试集中的图像进行预处理，具体步骤为： 步骤2.1、将训练集和测试集中的图像转化为统一的尺寸； 步骤2.2、对训练集中的进行增强，具体方法为： 将统一尺寸的图像进行随机水平翻转、随机遮挡、随机裁剪来对数据集进行增强，防止训练过程中过拟合的出现； 步骤2.3、将增强后的训练集中的图像转换成张量； 步骤三、构建“基于多尺度注意力机制的部分遮挡面部的表情识别网络模型”，将该网络模型命名为模型M；模型M由ResNet18网络、多尺度注意力机制、“分区损失函数”、多尺度特征分类四部分共同组成；其中ResNet18网络为基础网络，多尺度注意力机制的构建方法如步骤四，“分区损失函数”的设置方法如步骤五，多尺度特征分类的方法如步骤六； 步骤四、为基础网络添加四个注意力机制，具体步骤为： 步骤4.1、采用ResNet18网络作为基础网络，该网络有四组残差结构； 步骤4.2、在ResNet18网络的第一组残差结构后添加一个注意力机制，并将该注意力机制命名为attention_1； ResNet18网络的第一组残差结构输出大小为64*56*56的特征图，该特征图具有较多的细粒度信息；在第一组残差结构后添加attention_1，将64*56*56的特征图处理成长度为289的特征向量，可以从细粒度信息中提取到“微小表现幅度”的局部面部表情特征； 步骤4.3、在ResNet18网络的第二组残差结构后添加一个注意力机制，并将该注意力机制命名为attention_2； ResNet18网络的第二组残差结构输出大小为128*28*28的特征图，该特征图具有较强的几何特征；在第二组残差结构后添加attention_2，将128*28*28的特征图处理成长度为289的特征向量，可以从几何特征中提取到“较小表现幅度”的面部表情特征； 步骤4.4、在ResNet18网络的第三组残差结构后添加一个注意力机制，并将该注意力机制命名为attention_3； ResNet18网络的第三组残差结构输出大小为256*14*14的特征图，该特征图的感受野比前两组残差结构输出特征图的感受野大；在第三组残差结构后添加attention_3，将256*14*14的特征图处理成长度为289的特征向量，提取到“较大表现幅度”的局部面部表情特征； 步骤4.5、在ResNet18网络的第四组残差结构后添加一个注意力机制，并将该注意力机制命名为attention_4； ResNet18网络的第四组残差结构输出大小为512*7*7的特征图，该特征图具有较强的边缘轮廓信息；在第四组残差结构后添加attention_4，能够为显著性的边缘轮廓赋予相对较高的权重，将512*7*7的特征图处理成长度为289的特征向量，提取面部的轮廓、颜色高级语义特征； 至此，attention_1、attention_2、attention_3、attention_4四个注意力机制分别在ResNet18网络的四组残差结构后，对不同大小的特征图进行处理并提取不同的特征信息，四组注意力机制共同组成“多尺度注意力机制”； 步骤五、设置“分区损失函数”； “分区损失函数”可以在训练过程中指导四个注意力机制分别关注在不同的区域，如公式1所示： 其中，为四个注意力机制产生的特征向量在相同维度上的均方差，N为特征向量个数，C为每个特征向量的维度，k为调节因子，用于调节均方差倒数对损失函数的影响，一般设置为10； 在训练过程中，当四个注意力机制关注相同区域时产生的特征相似程度高，分区损失越大；当四个注意力机制关注不相同区域时产生的特征相似程度低，则分区损失将减小；从而使四个注意力机制分别关注在不同的区域； 步骤六、多尺度特征分类； 将通过四个注意力机制提取到的四个长度为289的特征向量进行拼接后得到一个长度为289的多尺度特征向量；将多尺度特征向量输入到Softmax分类器，获得图像中的面部表情类别； 至此，ResNet18网络、步骤四所述的多尺度注意力机制、步骤五所述的“分区损失函数”、步骤六所述的多尺度特征分类，共同组成“基于多尺度注意力机制的部分遮挡面部的表情识别网络模型”，即模型M； 步骤七、使用训练集对模型M进行训练，训练参数设置如表1所示： 表1.训练参数设置 参数 参数设置 优化算法 Adam 学习率 0.01 学习率衰减 0.9 batch_size 256 epoch 40 当模型M在训练集上的准确率在“连续10到15个epoch”内的变化幅度在1％以内时停止训练，将训练后得到的模型命名为模型H； 步骤八、使用验证集验证模型H的有效性，具体方法为： 以模型H在验证集上的准确率来评价模型H的有效性，当准确率高于90％时认为模型H有效，可以执行步骤九，否则退出； 步骤九、使用模型H进行面部表情识别； 将待识别的图像作为模型H的输入，经模型H识别后输出图像对应的面部表情类别；“基于多尺度注意力机制的部分遮挡面部的表情识别方法”执行完毕。

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北京工商大学，其通讯地址为：100048 北京市海淀区阜成路11号北京工商大学；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。