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！

龙图腾网恭喜西南科技大学申请的专利一种多特征融合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：CN114596605B 。

龙图腾网通过国家知识产权局官网在2025-03-28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：202110698674.3，技术领域涉及：G06V40/16；该发明授权一种多特征融合的表情识别方法是由张红英;韩兴;方艳红设计研发完成，并于2021-06-23向国家知识产权局提交的专利申请。

本一种多特征融合的表情识别方法在说明书摘要公布了：本发明提出一种基于自我修正与融合多尺度特征改进VGGNet的表情识别方法。该方法首先在VGGNet16网络前端新增一个多尺度特征提取网络结构，并将不同深度网络提取的多种特征进行支路特征融合，保留更完善的特征信息；然后通过在每个卷积层之后使用批量标准化，并在全连接层之后使用Dropout，以此加快网络模型收敛速率，降低网络模型发生梯度消失与过拟合的概率；最后在网络的后端加入自我修正网络，抑制样本的标注不确定性为网络模型训练带来的影响。该方法可在标注不确定数据集上以更高的精度识别出七种基本的表情。

本发明授权一种多特征融合的表情识别方法在权利要求书中公布了：1.一种多特征融合的表情识别方法，其特征在于包含数据集预处理，VGGNet16网络进行多尺度特征提取与融合，添加批量标准化与Dropout模块，在网络的后端加入自我修正网络，网络训练与测试五个部分：第一部分包括两个步骤：步骤1，下载自然场景下的人脸表情数据集RAF-DB，然后选取数据集中单标签训练集12271张图片和测试集3068张图片作为模型训练测试样本；步骤2，判断图像是否为灰度图，不是则将其转化为灰度图，使得光照对人脸表情识别的影响降到最低；然后将其尺寸变换为96×96大小，并对图像经旋转，平移基础操作增强训练样本集，形成最终的训练集样本；第二部分包括两个步骤：步骤3，将步骤2中的训练样本输入VGGNet16网络，在VGGNet16网络前端新增一个多尺度特征提取网络结构作为网络第一层，采用三个不同大小的卷积核对原图像进行特征提取，并将三个不同大小卷积核提取的多种特征进行特征融合，该结构相较只使用3×3卷积核时丢失信息更少，能够保留更完善的特征信息；步骤4，对步骤3改进后的VGGNet16网络的第二个卷积组和第三个卷积组之间添加快捷连接至全连接层前，构成支路特征融合模块，将不同阶段的特征融合在一起，促使网络学习到更多的特征；第三部分包括两个步骤：步骤5，将步骤3、4改进后的VGGNet16网络每个卷积层之后使用批量标准化，加快网络模型的收敛速率，增加模型泛化性；步骤6，将步骤3、4、5改进后的VGGNet16网络在每个全连接层之后使用Dropout，弃置部分神经元，加入部分干扰，增加模型的健壮性，减少模型参数量；第四部分包括五个步骤：步骤7，将步骤3、4、5、6改进后的VGGNet16网络提取到的特征通过自我注意力模块进行关键程度加权，通过权重值大小区分出关键样本与非关键样本，优先关注关键的样本，提升网络对关键样本的权重值；步骤8，将步骤7得到的关键程度权重采用logit模型用于原网络模型使用的交叉熵损失函数加权，避免非关键部分样本对网络学习的误导；步骤9，对步骤7得到的关键程度权重通过排序正则化模块进行比较，然后将所有权重按照大小从高到低排列，将关键程度权重值按照一定比例划分为关键部分与非关键部分；步骤10，将步骤9的每个部分的权重值进行平均取均值，并通过排序正则化约束关键部分的均值比非关键部分的均值高出一个阈值，将自我注意力模块与排序正则化模块两个损失函数结合得到自我修正网络最终损失函数；步骤11，将步骤9中得到的非关键部分样本通过再标注模块将最大预测概率与样本原标签的预测概率相减，若两者的差值大于给定的范围参数值，那么该样本则进行标签再标注工作，将其最大预测概率作为其重新标注的正确标签；第五部分包括两个步骤：步骤12，调试从步骤3到步骤11的网络结构超参数，并得到最终的训练模型；步骤13，将步骤1中训练集输入步骤12中的训练模型中，得到表情识别图像结果。

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西南科技大学，其通讯地址为：621010 四川省绵阳市涪城区青龙大道中段59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”。