一种人脸表情分类方法

1.本技术涉及深度学习技术领域，特别是涉及一种人脸表情分类方法。


背景技术：

2.由于深度学习算法可以自动地从原始图像数据中学习到具有判别性的特征，并实现高准确率的分类，卷积神经网络在人脸表情识别任务中非常具有优势。相比于传统的基于手工设计的特征和传统的分类算法，卷积神经网络避免了手工设计特征算法的不确定性，同时具有更高的分类准确率和自动化程度。
3.目前，vgg模型(visual geometry group network)在图像分类中可以通过增加网络深度来提升性能。vgg模型的核心思想是使用多个连续的3x3卷积层和池化层的组合来构建深层网络。vgg模型的基础架构是由卷积层、池化层和全连接层组成。它通过重复堆叠几个卷积层和池化层的模块来增加网络深度，其中使用了不同数量的卷积层和池化层。
4.vgg模型的特点是具有相对简单且均匀的结构，参数量较大。它使用小尺寸的卷积核和池化核，具有较小的感受野，使得网络能够更细致地捕捉图像的细节。此外，vgg模型中的全连接层在最后用于分类任务，通过学习权重和偏置将提取的特征映射到具体的类别。
5.尽管vgg模型在图像分类任务中表现出色，但在人脸表情图像分类应用中仍存在一些不足。首先，vgg模型具有较大的参数量，需要更多的计算资源和存储空间。这使得训练和推理速度相对较慢，尤其在资源受限的设备上效果不佳。其次，vgg模型中的池化操作会导致空间信息的丢失，对于人脸表情分类等需要准确位置信息的任务来说，可能无法捕捉到细微的表情特征。此外，由于vgg模型较深，当训练数据较少时容易出现过拟合现象，需要额外的数据增强和正则化技术来缓解，因此，导致基于vgg模型的人脸表情图像分类的识别准确率较低。


技术实现要素：

6.基于此，有必要针对上述技术问题，提供一种能够提高基于vgg模型的人脸表情图像分类的识别准确率较低的人脸表情分类方法。
7.一种人脸表情分类方法，所述方法包括：
8.将待分类的人脸图像输入训练好的人脸表情分类模型进行分类，输出人脸表情分类结果，所述人脸表情分类模型包括resnet模型、轻量化的vgg模型和融合模块；
9.所述人脸表情分类模型的训练方式为：
10.获取样本图像集，将样本图像集中训练样本图像的进行随机翻转、缩放和模糊处理，获得训练样本图像集；
11.将所述训练样本图像集输入基于resnet模型、轻量化的vgg模型和融合模块构建的人脸表情分类模型进行训练，在训练过程中，选择深度学习中的交叉熵损失函数计算人脸表情分类模型的损失，并采用随机梯度下降算法对人脸表情分类模型参数的梯度更新，在loss函数趋于收敛时停止训练，最终得到训练好的人脸表情分类模型。
12.在其中一个实施例中，所述将待分类的人脸图像输入训练好的人脸表情分类模型进行分类，输出人脸表情分类结果，包括：
13.将待分类的人脸图像输入训练好的人脸表情分类模型的resnet模型进行特征提取，获得第一特征向量；
14.将待分类的人脸图像输入训练好的人脸表情分类模型的轻量化的vgg模型进行特征提取，获得第二特征向量；
15.将所述第一特征向量和所述第二特征向量输入训练好的人脸表情分类模型的融合模块进行分类，输出人脸表情分类结果。
16.在其中一个实施例中，所述将所述第一特征向量和所述第二特征向量输入训练好的人脸表情分类模型的融合模块进行分类，输出人脸表情分类结果，包括：
17.将所述第一特征向量和所述第二特征向量输入所述融合模块的拼接单元进行拼接，获得拼接后的特征向量；
18.将所述拼接后的特征向量输入所述融合模块的relu激活函数进行非线性变换，获得变换后的特征向量；
19.对所述变换后的特征向量输入所述融合模块的正则化单元处理，获得处理后的特征向量；
20.将所述处理后的特征向量输入所述融合模块的第一全连接层进行分类，获得人脸表情分类结果。
21.在其中一个实施例中，所述将待分类的人脸图像输入训练好的人脸表情分类模型的resnet模型进行特征提取，获得第一特征向量的步骤，包括：
22.将待分类的人脸图像输入所述resnet模型的第一卷积层进行特征提取，获得第一特征图；
23.将所述第一特征图输入所述resnet模型的全局平均池化层进行压缩，获得第二特征图；
24.将所述第二特征图输入所述resnet模型的残差模块补充特征图信息，获得第三特征图，所述残差模块由多个残差块堆叠而成；
25.将所述第三特征图输入所述resnet模型的第二全连接层进行特征提取，获得第一特征向量。
26.在其中一个实施例中，所述残差块的表达式为：
27.x
l
＝f(x
l-1
)+x
l-1
28.其中，x
l
表示第l层的输入，f(
·
)为残差部分，x
l-1
表示第l-1层的输入。
29.在其中一个实施例中，所述全局平均池化层的压缩处理表达式为：
[0030][0031]
其中，f
i,j,l
表示特征图中第i行、第j列、第l个通道的值，h为特征图的高度，w为特征图的宽度，v
l
为第l维向量，全局平均池化层的输出结果为一个l维向量v，v＝(v1,...,v
l
,...,v
l
)。
[0032]
在其中一个实施例中，所述将待分类的人脸图像输入轻量化的vgg模型进行特征
提取，获得第二特征向量，包括：
[0033]
将待分类的人脸图像输入轻量化的vgg模型的自适应平均池化层进行处理，获得灰度图像；
[0034]
将所述灰度图像输入轻量化的vgg模型的第一卷积块进行处理，获得第四特征图；
[0035]
将所述第四特征图输入轻量化的vgg模型的第二卷积块进行特征提取，获得第五特征图；
[0036]
将所述第五特征图输入轻量化的vgg模型的正则化单元进行处理，获得处理后的第五特征图；
[0037]
将所述处理后的第五特征图输入第三全连接层进行特征提取，获得第二特征向量。
[0038]
在其中一个实施例中，所述轻量化的vgg模型的第一卷积块包括：第二卷积层、第一激活函数、第一最大池化层、第三卷积层、第二激活函数和第二最大池化层；
[0039]
所述灰度图像经过第二卷积层进行特征提取后，将提取的特征图经过第一激活函数输入到第一最大池化层进行处理，输出的特征输入到第三卷积层进行特征提取；
[0040]
第三卷积层提取出来的特征图再经过第二激活函数输入到第二最大池化层进行处理，获得第四特征图。
[0041]
在其中一个实施例中，所述轻量化的vgg模型的第二卷积块包括：第四卷积层、第三激活函数、第三最大池化层、第五卷积层、第四激活函数和第四最大池化层；
[0042]
所述第四特征图经过第四卷积层进行特征提取后，将提取的特征图经过第三激活函数输入到第三最大池化层进行处理，输出的特征输入到第五卷积层进行特征提取；
[0043]
第五卷积层提取出来的特征图再经过第四激活函数输入到第四最大池化层进行处理，获得第五特征图。
[0044]
上述人脸表情分类方法，通过获取样本图像集，将样本图像集中训练样本图像的进行随机翻转、缩放和模糊处理，获得训练样本图像集，将所述训练样本图像集输入基于resnet模型、轻量化的vgg模型和融合模块构建的人脸表情分类模型进行训练，在训练过程中，选择深度学习中的交叉熵损失函数计算人脸表情分类模型的损失，并采用随机梯度下降算法对人脸表情分类模型参数的梯度更新，在loss函数趋于收敛时停止训练，最终得到训练好的人脸表情分类模型，将待分类的人脸图像输入训练好的人脸表情分类模型进行分类，输出人脸表情分类结果，所述人脸表情分类模型包括resnet模型、轻量化的vgg模型和融合模块。由此，通过基于resnet模型、轻量化的vgg模型和融合模块构建的人脸表情分类模型可以减少模型的过拟合风险，提高模型的泛化能力，可以训练出分类精度更高的人脸表情分类模型，提高了人脸表情图像分类的识别准确率，进一步的，利用resnet模型和轻量化的vgg模型对特征提取能力的不同，分别提取出特征向量，将提取的特征向量进行拼接后用于分类识别，进一步提高了人脸表情图像分类的识别准确率。
附图说明
[0045]
图1为一个实施例中人脸表情分类方法的人脸表情分类模型处理流程示意图；
[0046]
图2为一个实施例中人脸表情分类方法的resnet模型处理流程示意图；
[0047]
图3为一个实施例中人脸表情分类方法的轻量化的vgg模型处理流程示意图。
具体实施方式
[0048]
为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
[0049]
在一个实施例中，提供了一种人脸表情分类方法，以该方法应用于终端为例进行说明，包括以下步骤：
[0050]
将待分类的人脸图像输入训练好的人脸表情分类模型进行分类，输出人脸表情分类结果，人脸表情分类模型包括resnet模型、轻量化的vgg模型和融合模块；
[0051]
人脸表情分类模型的训练方式为：
[0052]
获取样本图像集，将样本图像集中训练样本图像的进行随机翻转、缩放和模糊处理，获得训练样本图像集；
[0053]
将训练样本图像集输入基于resnet模型、轻量化的vgg模型和融合模块构建的人脸表情分类模型进行训练，在训练过程中，选择深度学习中的交叉熵损失函数计算人脸表情分类模型的损失，并采用随机梯度下降算法对人脸表情分类模型参数的梯度更新，在loss函数趋于收敛时停止训练，最终得到训练好的人脸表情分类模型。
[0054]
应理解，由于resnet模型和轻量化的vgg模型具有不同的正则化方法和数据增强策略，将它们进行模型融合可以减少模型的过拟合风险，提高模型的泛化能力，进一步地，对样本图像集采取一些数据增强技巧，从而提高网络的鲁棒性在训练阶段对样本图像集的训练样本图像进行随机翻转，缩放，模糊等操作，然后将其送入训练。以此来达到数据增强的目的，避免了在训练网络时出现过拟合的情况。
[0055]
上述人脸表情分类方法，通过获取样本图像集，将样本图像集中训练样本图像的进行随机翻转、缩放和模糊处理，获得训练样本图像集，将训练样本图像集输入基于resnet模型、轻量化的vgg模型和融合模块构建的人脸表情分类模型进行训练，在训练过程中，选择深度学习中的交叉熵损失函数计算人脸表情分类模型的损失，并采用随机梯度下降算法对人脸表情分类模型参数的梯度更新，在loss函数趋于收敛时停止训练，最终得到训练好的人脸表情分类模型，将待分类的人脸图像输入训练好的人脸表情分类模型进行分类，输出人脸表情分类结果，人脸表情分类模型包括resnet模型、轻量化的vgg模型和融合模块。由此，通过基于resnet模型、轻量化的vgg模型和融合模块构建的人脸表情分类模型可以减少模型的过拟合风险，提高模型的泛化能力，可以训练出分类精度更高的人脸表情分类模型，提高了人脸表情图像分类的识别准确率，进一步的，利用resnet模型和轻量化的vgg模型对特征提取能力的不同，分别提取出特征向量，将提取的特征向量进行拼接后用于分类识别，进一步提高了人脸表情图像分类的识别准确率。
[0056]
如图1所示，在一个实施例中，将待分类的人脸图像输入训练好的人脸表情分类模型进行分类，输出人脸表情分类结果，包括：
[0057]
将待分类的人脸图像输入训练好的人脸表情分类模型的resnet模型进行特征提取，获得第一特征向量；将待分类的人脸图像输入训练好的人脸表情分类模型的轻量化的vgg模型进行特征提取，获得第二特征向量；将第一特征向量和第二特征向量输入训练好的人脸表情分类模型的融合模块进行分类，输出人脸表情分类结果。
[0058]
应理解，人脸表情分类模型是将resnet模型与轻量化的vgg模型的输出作为融合
模块的输入，将resnet模型和轻量化的vgg模型最后一层的结果进行拼接，形成一个新的张量，在融合模块中，通过relu激活函数对向量进行非线性变换，再进行dropout正则化，经过这两步处理后的张量将被传递给一个全连接层，该全连接层将这些输出组合成最终的7个类别结果，即待分类的人脸图像对应属于这个7个类别概率，可以根据每个类别对应的概率大小，将该待分类的人脸图像归类为概率最高的类别中，确定该待分类的人脸图像中的人脸表情为概率最高的类别对应的人脸表情。
[0059]
应理解，resnet模型和轻量化的vgg模型分别具有不同的特征提取能力，将它们进行模型融合可以充分利用两者的优点，提高模型的准确率。进一步地，resnet模型和轻量化的vgg模型分别具有不同的特征提取方法和网络结构，将它们进行模型融合可以使得模型对于不同的输入数据具有更好的鲁棒性，提高模型的稳定性。
[0060]
在一个实施例中，将第一特征向量和第二特征向量输入训练好的人脸表情分类模型的融合模块进行分类，输出人脸表情分类结果，包括：
[0061]
将第一特征向量和第二特征向量输入融合模块的拼接单元进行拼接，获得拼接后的特征向量；将拼接后的特征向量输入融合模块的relu激活函数进行非线性变换，获得变换后的特征向量；对变换后的特征向量输入融合模块的正则化单元处理，获得处理后的特征向量；将处理后的特征向量输入融合模块的第一全连接层进行分类，获得人脸表情分类结果。
[0062]
其中，
[0063]
如图2所示，在一个实施例中，将待分类的人脸图像输入训练好的人脸表情分类模型的resnet模型进行特征提取，获得第一特征向量的步骤，包括：
[0064]
将待分类的人脸图像输入resnet模型的第一卷积层进行特征提取，获得第一特征图；将第一特征图输入resnet模型的全局平均池化层进行压缩，获得第二特征图；将第二特征图输入resnet模型的残差模块补充特征图信息，获得第三特征图，残差模块由多个残差块堆叠而成；将第三特征图输入resnet模型的第二全连接层进行特征提取，获得第一特征向量。
[0065]
其中，残差块可以将输入的信息直接传递到输出中以避免信息的丢失和梯度消失问题。
[0066]
其中，全局平均池化层可以将特征图的空间维度压缩成一个特征向量，从而减少网络的参数量和计算量。
[0067]
在一个实施例中，残差块的表达式为：
[0068]
x
l
＝f(x
l-1
)+x
l-1
[0069]
其中，x
l
表示第l层的输入，f(
·
)为残差部分，x
l-1
表示第l-1层的输入。
[0070]
在一个实施例中，全局平均池化层的压缩处理表达式为：
[0071][0072]
其中，f
i,j,l
表示特征图中第i行、第j列、第l个通道的值，h为特征图的高度，w为特征图的宽度，v
l
为第l维向量，全局平均池化层的输出结果为一个l维向量v，v＝(v1,...,v
l
,...,v
l
)。
[0073]
如图3所示，在一个实施例中，将待分类的人脸图像输入轻量化的vgg模型进行特征提取，获得第二特征向量，包括：
[0074]
将待分类的人脸图像输入轻量化的vgg模型的自适应平均池化层进行处理，获得灰度图像；将灰度图像输入轻量化的vgg模型的第一卷积块进行处理，获得第四特征图；将第四特征图输入轻量化的vgg模型的第二卷积块进行特征提取，获得第五特征图；将第五特征图输入轻量化的vgg模型的正则化单元进行处理，获得处理后的第五特征图；将处理后的第五特征图输入第三全连接层进行特征提取，获得第二特征向量。
[0075]
应理解，轻量化的vgg模型输入的图像首先经过一个自适应平均池化层，将图像的尺寸调整为112*112。接下来是第一卷积块的第一卷积层使用3x3的卷积核对输入进行卷积操作，并采用第一激活函数进行非线性变换，紧接着是第一最大池化层通过2x2的窗口和步幅为2的操作，将特征图的尺寸减半后输出到第二卷积块。第二卷积块对特征图做与第一卷积块相同的卷积-池化的过程，以进一步提取和减少特征图的维度。
[0076]
在一个实施例中，轻量化的vgg模型的第一卷积块包括：第二卷积层、第一激活函数、第一最大池化层、第三卷积层、第二激活函数和第二最大池化层；灰度图像经过第二卷积层进行特征提取后，将提取的特征图经过第一激活函数输入到第一最大池化层进行处理，输出的特征输入到第三卷积层进行特征提取；第三卷积层提取出来的特征图再经过第二激活函数输入到第二最大池化层进行处理，获得第四特征图。
[0077]
在一个实施例中，轻量化的vgg模型的第二卷积块包括：第四卷积层、第三激活函数、第三最大池化层、第五卷积层、第四激活函数和第四最大池化层；第四特征图经过第四卷积层进行特征提取后，将提取的特征图经过第三激活函数输入到第三最大池化层进行处理，输出的特征输入到第五卷积层进行特征提取；第五卷积层提取出来的特征图再经过第四激活函数输入到第四最大池化层进行处理，获得第五特征图。
[0078]
上述人脸表情分类方法，通过获取样本图像集，将样本图像集中训练样本图像的进行随机翻转、缩放和模糊处理，获得训练样本图像集，将训练样本图像集输入基于resnet模型、轻量化的vgg模型和融合模块构建的人脸表情分类模型进行训练，在训练过程中，选择深度学习中的交叉熵损失函数计算人脸表情分类模型的损失，并采用随机梯度下降算法对人脸表情分类模型参数的梯度更新，在loss函数趋于收敛时停止训练，最终得到训练好的人脸表情分类模型，将待分类的人脸图像输入训练好的人脸表情分类模型进行分类，输出人脸表情分类结果，人脸表情分类模型包括resnet模型、轻量化的vgg模型和融合模块。由此，通过基于resnet模型、轻量化的vgg模型和融合模块构建的人脸表情分类模型可以减少模型的过拟合风险，提高模型的泛化能力，可以训练出分类精度更高的人脸表情分类模型，提高了人脸表情图像分类的识别准确率，进一步的，利用resnet模型和轻量化的vgg模型对特征提取能力的不同，分别提取出特征向量，将提取的特征向量进行拼接后用于分类识别，进一步提高了人脸表情图像分类的识别准确率。
[0079]
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，
而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
[0080]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0081]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。

技术特征：
1.一种人脸表情分类方法，其特征在于，所述方法包括：将待分类的人脸图像输入训练好的人脸表情分类模型进行分类，输出人脸表情分类结果，所述人脸表情分类模型包括resnet模型、轻量化的vgg模型和融合模块；所述人脸表情分类模型的训练方式为：获取样本图像集，将样本图像集中训练样本图像的进行随机翻转、缩放和模糊处理，获得训练样本图像集；将所述训练样本图像集输入基于resnet模型、轻量化的vgg模型和融合模块构建的人脸表情分类模型进行训练，在训练过程中，选择深度学习中的交叉熵损失函数计算人脸表情分类模型的损失，并采用随机梯度下降算法对人脸表情分类模型参数的梯度更新，在loss函数趋于收敛时停止训练，最终得到训练好的人脸表情分类模型。2.根据权利要求1所述的方法，其特征在于，所述将待分类的人脸图像输入训练好的人脸表情分类模型进行分类，输出人脸表情分类结果，包括：将待分类的人脸图像输入训练好的人脸表情分类模型的resnet模型进行特征提取，获得第一特征向量；将待分类的人脸图像输入训练好的人脸表情分类模型的轻量化的vgg模型进行特征提取，获得第二特征向量；将所述第一特征向量和所述第二特征向量输入训练好的人脸表情分类模型的融合模块进行分类，输出人脸表情分类结果。3.根据权利要求2所述的方法，其特征在于，所述将所述第一特征向量和所述第二特征向量输入训练好的人脸表情分类模型的融合模块进行分类，输出人脸表情分类结果，包括：将所述第一特征向量和所述第二特征向量输入所述融合模块的拼接单元进行拼接，获得拼接后的特征向量；将所述拼接后的特征向量输入所述融合模块的relu激活函数进行非线性变换，获得变换后的特征向量；对所述变换后的特征向量输入所述融合模块的正则化单元处理，获得处理后的特征向量；将所述处理后的特征向量输入所述融合模块的第一全连接层进行分类，获得人脸表情分类结果。4.根据权利要求2所述的方法，其特征在于，所述将待分类的人脸图像输入训练好的人脸表情分类模型的resnet模型进行特征提取，获得第一特征向量的步骤，包括：将待分类的人脸图像输入所述resnet模型的第一卷积层进行特征提取，获得第一特征图；将所述第一特征图输入所述resnet模型的全局平均池化层进行压缩，获得第二特征图；将所述第二特征图输入所述resnet模型的残差模块补充特征图信息，获得第三特征图，所述残差模块由多个残差块堆叠而成；将所述第三特征图输入所述resnet模型的第二全连接层进行特征提取，获得第一特征向量。5.根据权利要求4所述的方法，其特征在于，所述残差块的表达式为：
x
l
＝f(x
l-1
)+x
l-1
其中，x
l
表示第l层的输入，f(
·
)为残差部分，x
l-1
表示第l-1层的输入。6.根据权利要求4所述的方法，其特征在于，所述全局平均池化层的压缩处理表达式为：其中，f
i,j,l
表示特征图中第i行、第j列、第l个通道的值，h为特征图的高度，w为特征图的宽度，v
l
为第l维向量，全局平均池化层的输出结果为一个l维向量v，v＝(v1,...,v
l
,...,v
l
)。7.根据权利要求2所述的方法，其特征在于，所述将待分类的人脸图像输入轻量化的vgg模型进行特征提取，获得第二特征向量，包括：将待分类的人脸图像输入轻量化的vgg模型的自适应平均池化层进行处理，获得灰度图像；将所述灰度图像输入轻量化的vgg模型的第一卷积块进行处理，获得第四特征图；将所述第四特征图输入轻量化的vgg模型的第二卷积块进行特征提取，获得第五特征图；将所述第五特征图输入轻量化的vgg模型的正则化单元进行处理，获得处理后的第五特征图；将所述处理后的第五特征图输入第三全连接层进行特征提取，获得第二特征向量。8.根据权利要求7所述的方法，其特征在于，所述轻量化的vgg模型的第一卷积块包括：第二卷积层、第一激活函数、第一最大池化层、第三卷积层、第二激活函数和第二最大池化层；所述灰度图像经过第二卷积层进行特征提取后，将提取的特征图经过第一激活函数输入到第一最大池化层进行处理，输出的特征输入到第三卷积层进行特征提取；第三卷积层提取出来的特征图再经过第二激活函数输入到第二最大池化层进行处理，获得第四特征图。9.根据权利要求7所述的方法，其特征在于，所述轻量化的vgg模型的第二卷积块包括：第四卷积层、第三激活函数、第三最大池化层、第五卷积层、第四激活函数和第四最大池化层；所述第四特征图经过第四卷积层进行特征提取后，将提取的特征图经过第三激活函数输入到第三最大池化层进行处理，输出的特征输入到第五卷积层进行特征提取；第五卷积层提取出来的特征图再经过第四激活函数输入到第四最大池化层进行处理，获得第五特征图。

技术总结
本申请涉及一种人脸表情分类方法。该方法包括：获取样本图像集，将样本图像集中训练样本图像的进行随机翻转、缩放和模糊处理，获得训练样本图像集，将所述训练样本图像集输入基于ResNet模型、轻量化的VGG模型和融合模块构建的人脸表情分类模型进行训练，选择深度学习中的交叉熵损失函数计算人脸表情分类模型的损失，采用随机梯度下降算法对人脸表情分类模型参数的梯度更新，在loss函数趋于收敛时停止训练，最终得到训练好的人脸表情分类模型，将待分类的人脸图像输入训练好的人脸表情分类模型进行分类，输出人脸表情分类结果。由此，提高了人脸表情图像分类的识别准确率。高了人脸表情图像分类的识别准确率。高了人脸表情图像分类的识别准确率。


技术研发人员：文学志 顾浩
受保护的技术使用者：南京信息工程大学
技术研发日：2023.06.30
技术公布日：2023/9/25