为进一步提高人脸表情识别的准确率,提出一种融合全局与局部特征的深度卷积神经网络算法(GL-DCNN).该算法由两个改进的卷积神经网络分支组成,全局分支和局部分支,分别用于提取全局特征和局部特征,对两个分支的特征进行加权融合,使用融合后的特征进行分类.首先,提取全局特征,全局分支基于迁移学习,使用改进的VGG19网络模型进行特征提取;其次,提取局部特征,局部分支采用中心对称局部二值模式(CSLBP)算法进行第一次特征提取,得到原始图像的局部纹理信息,将其输入到浅层卷积神经网络进行第二次特征提取,使其自动提取出与表情相关的局部特征;再次,采用两个级联的全连接层对两个分支的特征进行降维,为其分配不同权重,进行加权融合;最后,采用softmax分类器进行分类.实验在CK+和JAFFE数据集上进行验证,分类精度分别达95％以上和93％以上,对比其他五种算法,该算法总体表现较好,具有较好的识别效果和良好的鲁棒性,可为人脸表情识别提供有效依据.

表情识别;特征融合;卷积神经网络(CNN);深度学习

黑龙江工商学院,哈尔滨 150025;哈尔滨理工大学 计算机科学与技术学院,哈尔滨 150080

[1]程卫月;张雪琴;林克正;李骜-.融合全局与局部特征的深度卷积神经网络算法)[J].计算机科学与探索,2022(05):1146-1154

CSLBP

局部特征,深度卷积神经网络算法,人脸表情识别,GL,DCNN,局分,全局特征,加权融合,迁移学习,VGG19,中心对称局部二值模式,原始图像,纹理信息,自动提取,全连接层,不同权重,softmax,分类器,CK+,JAFFE,分类精度,特征融合

0.257081