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！

龙图腾网获悉中国科学技术大学申请的专利一种基于表征学习的图像块感知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：CN117095437B 。

龙图腾网通过国家知识产权局官网在2025-09-19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：202311005265.6，技术领域涉及：G06V40/16；该发明授权一种基于表征学习的图像块感知的表情识别方法是由王上飞;吴毅;常亚南设计研发完成，并于2023-08-10向国家知识产权局提交的专利申请。

本一种基于表征学习的图像块感知的表情识别方法在说明书摘要公布了：本发明公开了一种基于表征学习的图像块感知的表情识别方法，包括：1、根据对原始人脸图像的预处理构建数据集合；2、利用人脸关键点检测算法，定位图像中与表情相关的关键点；3、构建表情识别网络，首先将图像划分成若干小块并将其映射到特征空间，从而建立起关键点和小块之间的关系；然后分别利用两种策略对关键点所在的小块进行处理得到两种掩码图像并通过编码器提取特征；最后，解码器利用第一种掩码图像的特征重构图像，表情分类器则分别对两种掩码图像的特征进行表情识别。本发明在模型中引入人脸关键点作为表情识别的先验知识，并利用两种互补的策略迫使模型关注细微的面部动作，从而实现了表情的精准识别。

本发明授权一种基于表征学习的图像块感知的表情识别方法在权利要求书中公布了：1.一种基于表征学习的图像块感知的表情识别方法，其特征在于，是按如下步骤进行： 步骤1、构建表情图像数据集合D； 获取真实人脸图像数据集并使用裁剪以及归一化的方法进行预处理，从而得到表情图像数据集合，其中，，分别表示尺寸为的第i个人脸图像及其对应的表情类别，，N是表情图像数据集合D中图像的数量，C是表情的总类别数； 步骤2、利用人脸关键点检测算法对第i个人脸图像中与表情相关的J个关键点的位置进行定位，得到J个关键点的位置坐标，其中，，分别表示第i个人脸图像中第j个关键点的纵向坐标和横向坐标； 步骤3、构建表情识别网络，包括：图像块嵌入层、掩码处理层、视觉编码器E、视觉解码器、表情分类器R； 步骤3.1、所述图像块嵌入层是一个卷积核大小为，步长为a的卷积层，用于将第i个人脸图像均匀地划分成个图像块，并将每个图像块映射到特征空间中，得到每个图像块的嵌入特征； 令个图像块对应维度为的矩阵，则第j个关键点所在的位置为的矩阵中第行，第列，从而建立关键点和图像块之间的关系； 步骤3.2、掩码处理层的处理： 所述掩码处理层以一定的概率p将每个关键点所在的图像块的嵌入特征置为全零向量，从而得到第i个人脸图像的第一掩码图像； 所述掩码处理层将所有关键点所在的图像块及其上、下、左、右的图像块的嵌入特征置为全零向量，从而得到第i个人脸图像的第二掩码图像； 步骤3.3、所述视觉编码器E分别对第一掩码图像和第二掩码图像进行处理，得到第一掩码图像的编码特征和第二掩码图像的编码特征； 步骤3.4、所述视觉解码器对所述编码特征进行处理，得到重构图像； 利用式4计算视觉解码器的重构损失： 4 式4中，表示矩阵的二范式； 步骤3.5、构建表情分类器R是一个全连接层； 步骤3.5.1、将所述编码特征和分别输入到所述分类器R中，并相应得到两个表情概率分布和； 步骤3.5.2、利用式5和式6构建表情分类器R的表情分类损失和KL散度损失： 5 6 式5中，表示交叉熵损失；和分别表示第i个人脸图像的表情类别和所述表情概率分布中第k个类别的概率值； 式6中，表示KL散度损失，表示均匀分布；和分别表示所述表情概率分布和均匀分布中第k个类别的概率值； 步骤3.6、利用式7构建总分类损失： 7 式7中，，和表示三个权重因子； 步骤4、利用梯度下降算法对所述表情识别网络进行训练，并计算总分类损失以更新网络参数，直到总分类损失达到收敛为止，从而得到训练好的表情识别分类模型，用于实现对不同人脸表情图像的分类。

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中国科学技术大学，其通讯地址为：230026 安徽省合肥市包河区金寨路96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。