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！

龙图腾网恭喜浙江大学申请的专利基于生成对抗网络的新生儿疼痛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：CN114639138B 。

龙图腾网通过国家知识产权局官网在2025-04-08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：202210147904.1，技术领域涉及：G06V40/16；该发明授权基于生成对抗网络的新生儿疼痛表情识别方法是由潘赟;赵益晟;朱怀宇;陈朔晖设计研发完成，并于2022-02-17向国家知识产权局提交的专利申请。

本基于生成对抗网络的新生儿疼痛表情识别方法在说明书摘要公布了：一种基于生成对抗网络的新生儿疼痛表情识别方法，构造生成对抗网络来学习如何从姿态各异且存在遮挡的新生儿面部图像中恢复出无遮挡且姿态端正的面部图像；将生成对抗网络中生成器的隐藏变量视作修正后的面部疼痛特征；构建结合注意力机制的残差网络来筛选并分析零和博弈修正后的面部疼痛特征，以进一步摆脱遮挡和姿态变化的影响，输出准确的疼痛级别结果。本发明致力于提高真实环境下的新生儿疼痛表情识别准确率、增强新生儿疼痛识别方法对遮挡的鲁棒性和面对姿态变化的适应性，依据生成对抗网络来优化疼痛特征的提取，并通过注意力机制实现对疼痛特征的筛选，有效解决了遮挡和姿态变化环境下新生儿疼痛表情识别问题。

本发明授权基于生成对抗网络的新生儿疼痛表情识别方法在权利要求书中公布了：1.一种基于生成对抗网络的新生儿疼痛表情识别方法，其特征在于，所述方法包括以下步骤：步骤S1：依据生成对抗网络来从姿态各异且可能存在遮挡的新生儿面部图像中恢复出无遮挡且姿态端正的面部图像；步骤S2：将生成对抗网络中生成器的本征向量作为修正后的面部特征用于后续疼痛分析；步骤S3：使用结合注意力机制的残差网络来筛选并分析修正后的面部特征，以进一步摆脱遮挡和姿态变化的干扰，输出准确的疼痛级别结果；所述的步骤S1的过程为：生成对抗网络由生成器和判别器两部分组成，生成器负责在输入面部图像的基础上生成修正后的面部图像；判别器负责学习区分出生成器生成的图像和指导集中无遮挡且姿态端正的理想面部图像，指导集g由训练集中的所有理想面部图像组成，通过生成器和判别器的零和博弈，生成器将不断提升其将输入图像转换成无遮挡且面部端正图像的能力；在零和博弈的过程中由四个损失函数来负责生成器和判别器的训练，通过误差反向传播算法调整生成器和判别器的参数至最优，四个损失函数如下所述：1对称性损失函数对称性是正常人脸的固有特征，对称损失计算为： 其中H和W表示图像的高度和宽度，n,m表示图像的像素，|·|代表绝对值，现实世界的图像在像素级别不存在绝对的对称性，因此，决定最小化拉普拉斯空间中的对称性损失；2对抗性损失函数判别器网络充当监督者，负责将生成的人脸图像与理想图像区分开来，并与生成器同时训练，判别器是通过以下交叉熵损失函数进行训练：LGAN-Disgi,xj′＝-logDisgi-log1-Disxj′其中gi代表指导集图像，GAN-Dis代表判别器，xj，是生成器生成的图像；对于生成器，对抗性损失函数的计算方式是：LGAN-Genxj′＝-logDisxj′其中GAN-Gen代表生成器，Dis代表判别器；3身份保留损失函数保留身份是理想人脸生成的关键部分，采用了感知损失，旨在保持感知相似性，以帮助疼痛特征修正模块获得身份保持能力，损失函数是基于开源的LightCNN中最后两层输出的特征图计算的： 其中Hl,Wl是最后第l层特征图的高度和宽度，Ω表示特征图，|·|表示绝对值，身份保留损失旨在使生成图像与原始图像在深度特征空间中具有较小的距离，考虑到LightCNN经过预训练后对数千个身份进行分类，认为它捕获最重要的人脸结构或特征进行身份识别；4TotalVariation正则化为了提高生成图像的空间平滑度并减少尖峰伪影，采用了TotalVariation正则化器，其定义如下： 其中H和W表示图像的高度和宽度，n,m表示图像的像素，x，是生成器生成的图像，|·|代表绝对值。

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浙江大学，其通讯地址为：310027 浙江省杭州市西湖区浙大路38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”。