多尺度注意力机制DenseNet网络的表情识别方法

摘要

面部表情识别是人机交互研究领域的核心之一，现有的基于传统手工特征的面部表情识别方法难以应用在复杂多变的应用场景中。基于此，提出一种多尺度注意力机制的密集连接网络（DenseNet）表情识别方法。该网络模型对DenseNet121网络层数进行了简化，并引入多尺度结构和通道注意力模块MECANet，使得网络提取的面部表情特征更具判别性，有利于后续网络的表情分类。网络模型采用随机梯度下降算法进行训练，在CK+和FER2013数据集上取得了较高的识别率，分别达到96.2%和85.5%，与DenseNet121网络相比提高了8.4%和8.6%。

0 引言

面部表情识别方法是人机交互领域的重要核心，已经广泛应用于在线教育、疲劳驾驶检测等领域［1-3］。关于面部表情识别的研究历经了两个阶段：基于传统手工特征的表情识别和基于深度神经网络的表情识别。在传统手工特征的表情识别研究阶段，针对图像的几何、纹理和轮廓等方面设计手工特征算子作为后续表情分类判别的依据，在特定的场景下取得了较高的