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！

龙图腾网获悉湖北大学申请的专利结合滑窗和决策融合策略设计的视频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：CN119360430B 。

龙图腾网通过国家知识产权局官网在2025-08-01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：202411777400.3，技术领域涉及：G06V40/16；该发明授权结合滑窗和决策融合策略设计的视频面部表情识别方法是由彭菊红;李卫东;张智;胡长玉设计研发完成，并于2024-12-05向国家知识产权局提交的专利申请。

本结合滑窗和决策融合策略设计的视频面部表情识别方法在说明书摘要公布了：本发明提供了结合滑窗和决策融合策略设计的视频面部表情识别方法，包括设计动态人脸表情识别网络模型；获取人脸图像训练集，采用AFEW数据集和DFEW数据集；对AFEW数据集和DFEW数据集内的训练集进行预处理；利用预处理后的数据集对网络模型进行训练；将AFEW数据集和DFEW数据集内的测试集输入到动态人脸表情识别模型中，进行表情识别。构建了全局级和片段级的决策级融合的策略。从而有效的提高了算法模型精确度。

本发明授权结合滑窗和决策融合策略设计的视频面部表情识别方法在权利要求书中公布了：1.结合滑窗和决策融合策略设计的视频面部表情识别方法，其特征在于，包括以下步骤： 步骤1：设计动态人脸表情识别网络模型，网络模型包括以下部分： 滑动采样窗口：将视频输入到滑动采样窗口模块进行采样，长度为w、高度为l＝1的滑动采样窗口，对于长度为L的输入视频以步长为x进行采样；所有视频片段的长度均相同，片段中的帧按照时间顺序连续排列；采样的段数n计算如下：得到一系列Ci＝C1,C2,...,Cn的视频片段； 动态帧扫描注意力：使用四个卷积块进行片段内特征提取，得到一个四维特征图F＝RNCHW；其中，N、C、H、W分别表示片段内的视频帧数、特征通道数、特征图的宽度和高度；对每帧的特征子图f＝RCHW，使用空间信息提取模块SP平均池化和最大池化进行提取操作记作f，计算所有通道内相同位置i,j的平均值和最大值再求和，得到一个包含帧的空间信息二维矩阵m＝RHW；计算方法如下： 公式中i∈[0,H]和j∈[0,W]，k表示通道；此外，将生成的所有空间特征图m按时间顺序拼接在一起，形成一个包含时空信息的特征块M＝RNHW； 通过全局卷积而不是常规的全局平均池化来获得视频片段的真实权重统计量Z∈RN； Wc代表第c帧的全局卷积核，Zc代表第c帧的真实权重值；将得到的真实权重统计Z∈RN送到self-attention模块进行学习，首先Z将其线性转换为查询Q、键K和值V，如下所示： [Q,K,V]＝Z[Wq,Wk,Wv] 其中Wq,Wk,Wv∈RC×C是可训练的权重矩阵，权重输出A计算如下： T＝Norm[MLPA]+A 是缩放因子防止梯度消失，Norm·是层归一化算子，MLP为多层感知机，经过重新学习，将调整后的权重T赋值给输入特征图F＝RNCHW，实现输入特征图的帧级特征调整，调整后的特征图O的计算如下： 表示广播元素乘法；将输出权重T的取值范围从0,1扩展到0,2，通过上述操作，动态的分配权重，在一定程度上增强有效帧的权重，减小噪声帧带来的影响； 片段损失函数：设计了一个片段损失函数，对于所有视频片段的预测结果，计算公式如下： 对于片段的预测结果越相似，损失越小；通过最小化该损失函数来优化片段输出的预测结果； 决策级融合：将分别利用段级特征与全局级特征进行独立的面部表情识别，并在最后阶段将两者的识别结果进行融合，从而得到更准确和可靠的识别结果： Rgs＝Rg+Rs 其中Rg和Rs分别表示全局和片段的识别结果，Rgs表示融合之后最终的识别结果； 且损失函数定义为： L＝λLCg+1-λLCs+LS 其中，λ是一个用来平衡两个部分的超参数，LCg表示全局部分的交叉熵损失，LCs表示片段级部分的交叉熵损失，LS表示片段损失； 步骤2：获取人脸图像训练集，采用AFEW数据集和DFEW数据集； 步骤3：对AFEW数据集和DFEW数据集内的训练集进行预处理； 步骤4：利用预处理后的数据集对网络模型进行训练； 步骤5：将AFEW数据集和DFEW数据集内的测试集输入到动态人脸表情识别模型中，进行表情识别。

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湖北大学，其通讯地址为：430062 湖北省武汉市友谊大道368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”。