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！

龙图腾网获悉江苏科技大学申请的专利基于跨尺度局部差异深度子空间特征的表情识别方法和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：CN115546862B 。

龙图腾网通过国家知识产权局官网在2026-03-24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：202211113773.1，技术领域涉及：G06V40/16；该发明授权基于跨尺度局部差异深度子空间特征的表情识别方法和系统是由张正言;惠京禹;黄炜嘉;邓小乔;李锋设计研发完成，并于2022-09-14向国家知识产权局提交的专利申请。

本基于跨尺度局部差异深度子空间特征的表情识别方法和系统在说明书摘要公布了：本发明公开了一种基于跨尺度局部差异深度子空间特征的表情识别方法和系统，其通过多个高斯滤波器来获取不同尺度空间的图像，然后对不同尺度空间的图像进行分块，提取图像的局部差异，由此得到训练集的跨尺度局部差异矩阵，来训练第一阶段的多个卷积核，并再次提取经第一阶段卷积后的图像的跨尺度局部差异矩阵，来训练第二阶段的多个卷积核，由此学习到两个阶段的卷积核。待识别图像经过两个阶段的卷积后，经非线性处理和直方图统计，得到图像特征，以此来进行分类识别。该方法融合图像不同尺度的局部差异来提取特征，且网络结构简单，无需大量训练样本，对硬件要求低。

本发明授权基于跨尺度局部差异深度子空间特征的表情识别方法和系统在权利要求书中公布了：1.一种基于跨尺度局部差异深度子空间特征的表情识别方法，其特征在于，包括步骤： S1、用个不同的高斯滤波器分别对训练样本图像进行滤波，并与构成个尺度空间的图像，： ； S2、将每个尺度空间的图像划分为个大小为的子块，第个尺度空间的图像中第个子块中的像素为，，； 对训练样本图像的个尺度空间的图像，计算第个子块的均值： ； 计算每个尺度下每个子块的局部差异子矩阵，其中； 个尺度在第个子块的局部差异拼接为跨尺度局部差异子矩阵： ； 将转换为跨尺度局部差异子向量； 个跨尺度局部差异子向量拼接为训练样本图像的跨尺度局部差异矩阵： ； S3、训练集中的个样本图像均获取跨尺度局部差异矩阵，构成训练集对应的跨尺度局部差异矩阵： ； 其中为第个样本图像的跨尺度局部差异矩阵，，为训练集中样本图像的数量； S4、求解第一最大化问题： ； 得到个维度为的向量，，为第一阶段卷积核的数量，表示L1范数，表示的单位矩阵； 将映射为的矩阵，作为第一阶段第个卷积核的参数矩阵：； 其中表示映射函数，上标数字1表示第一阶段的卷积核； S5、训练集中每个图像分别与个第一阶段的卷积核进行卷积，得到第一阶段的个输出图像； S6、第一阶段输出的每个图像均获取跨尺度局部差异矩阵，构成第一阶段对应的跨尺度局部差异矩阵： ； 其中为第一阶段输出的第个图像，； S7、求解第二最大化问题： ； 得到个维度为的向量，，为第二阶段卷积核的数量，表示的单位矩阵； 将映射为的矩阵，作为第二阶段第个卷积核的参数矩阵：； 上标数字2表示第二阶段的卷积核； S8、将第一阶段输出的个图像分别与个第二阶段的卷积核进行卷积，得到第二阶段的个输出图像； S9、对于训练样本集中的每个图像，得到组、每组个图像，对每组中的个图像采用二进制哈希编码进行非线性处理，得到图像： ； 其中为Heaviside阶跃函数，其输入为正时值为1，否则为零；为第二阶段输出图像在处的像素值；为图像在处的像素值； S10、使用大小为的窗口，以重叠比在图像上滑动，得到个子图，，计算每个子图的直方图，拼接为直方图向量： ； 表示直方图统计； S11、对于训练样本集中的每个图像，连接个直方图向量，得到图像对应的图像特征：； S12、采用训练样本集中每个图像的图像特征和对应的表情标签训练表情分类器； S13、对待识别图像分别与个第一阶段的卷积核进行卷积，得到第一阶段的个输出图像，对第一阶段的个输出图像分别与个第二阶段的卷积核进行卷积，得到第二阶段的个输出图像，对个输出图像按照步骤S10-S12进行处理，得到待识别图像的图像特征；将待识别图像的图像特征输入训练后的表情分类器，得到表情识别结果。

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江苏科技大学，其通讯地址为：212003 江苏省镇江市京口区梦溪路2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。