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！

龙图腾网恭喜杭州电子科技大学申请的专利一种基于面部情绪分析的动态人脸生成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：CN114299578B 。

龙图腾网通过国家知识产权局官网在2025-05-02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：202111624659.0，技术领域涉及：G06V40/16；该发明授权一种基于面部情绪分析的动态人脸生成方法是由朱素果;李祉昊;俞俊;范建平设计研发完成，并于2021-12-28向国家知识产权局提交的专利申请。

本一种基于面部情绪分析的动态人脸生成方法在说明书摘要公布了：本发明公开了一种基于面部情绪分析的动态人脸生成方法，首先进行数据预处理，检测图像中的人脸并对齐；然后构建面部情绪分析模型，通过预处理后的人脸图像完成面部情绪分析模型的训练；最后生成动态人脸视频。本发明通过面部情绪的分析，来引导人脸的生成，为了保证面部情绪分析在真实场景的准确率，为每个样本引入了重要性权重的计算，通过将低重要性权重的样本进行重新标记，解决数据集中噪声标签的问题，使用了一种隐式语义数据增强算法，巧妙地利用深度神经网络长于学习线性化表征的性质，在特征空间完成语义扩增过程，并且几乎不引入任何额外计算或时间开销，提高了情绪分析的性能，增加了人脸生成的合理性。

本发明授权一种基于面部情绪分析的动态人脸生成方法在权利要求书中公布了：1.一种基于面部情绪分析的动态人脸生成方法，其特征在于，包括如下步骤：步骤1、数据预处理，检测图像中的人脸并对齐；对人脸数据集的预处理：对于人脸数据集中的每张人脸图像，首先通过基于WIDER数据集预训练的MTCNN模型检测到人脸的五个关键点，再将原图中的人脸区域向外扩充，保证人脸图像在尺寸不变的情况下不存在黑色区域，最后通过对人脸关键点的坐标进行仿射变幻对人脸进行对齐，得到预处理后的人脸图像；步骤2、构建面部情绪分析模型；步骤3、通过预处理后的人脸图像完成面部情绪分析模型的训练；步骤4、生成动态人脸视频；根据面部情绪分析模型第二条分支得到的表情类别的概率分布向量，选取合适的驱动视频，最后将原始图像和驱动视频输入现有人脸视频生成模型中，生成最终的动态人脸视频；所述的面部情绪分析模型包括CNN主干网络和两个分支结构；对于输入的人脸图像样本，首先通过一个CNN主干网络提取深层特征，然后将提取到的特征分别输入两个分支结构，其中第一条分支结构通过线性映射，为每个样本的特征添加一个重要性权重，并将带有重要性权重的样本以一定比例分为高重要性组和低重要性组；第二条分支对深层特征进行线性分类，得到表情类别的概率分布向量；步骤2具体方法如下：所述的面部情绪分析模型包括CNN主干网络和两个分支结构；对于输入的人脸图像样本，首先通过一个CNN主干网络提取深层特征，然后将提取到的特征分别输入两个分支结构，面部情绪分析模型第一条分支中重要性权重的计算由全连接层和Sigmoid激活函数组成，假设表示N张图像的面部特征，重要性权重的公式定义如下： 其中αi为第i个样本的重要性权重，Wa全连接层的参数,S为Sigmoid激活函数；根据每个样本的重要性权重，对其进行降序排序，并按照比例β将其分为高重要性组和低重要性组；第二条分支中分类结果的计算由全连接层和Softmax激活函数组成，将样本特征x输入第二条分支后获得概率分布向量其中C2表示类别数；在面部情绪分析模型的第一条分支中，利用对比损失来对重要性权重的计算部分的参数进行训练，约束不确定样本的重要性权重；在面部情绪分析模型的第二条分支中，将生成的分类结果与实际标签作比较，利用隐式语义数据扩增损失在对特征进行语义层面的扩增的同时对模型参数进行训练；当模型训练至具有一定识别能力时，每一轮模型参数调整完成后进行动态重标，使用对低重要性组中的不确定样本的标签进行修正，减少噪声标签在模型训练过程中造成的干扰，在不断的为样本添加更准确的重要性权重以及对噪声标签重新标记的过程中，模型能够对人脸表情进行更好的特征提取，将提取到的特征用于分类。

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杭州电子科技大学，其通讯地址为：310018 浙江省杭州市下沙高教园区2号大街；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”。