1.一种基于双通道卷积神经网络对人脸表情识别的方法，其特征在于，包括以下步骤：

1)：进行数据预处理，减少背景信息干扰；

2)：搭建一个双通道卷积神经网络自动提取有效特征，并以加权的策略将特征融合；

3)：利用softmax进行表情分类。

2.根据权利要求1所述的一种基于双通道卷积神经网络对人脸表情识别的方法，其特征在于，所述步骤1)具体包括：(1)：人脸检测

采用Viola-Jones算法进行人脸检测，从而减少人脸图像中与表情分析无关的背景信息，增强特征描述子对不同面部表情的表达能力；

(2)：旋转校正

针对检测到的人脸图像中可能存在的角度差异，利用旋转变化矩阵进行校正，定义如下： 其中，Lx、Ly表示原始坐标，Lx’、Ly’表示变换后的坐标，θ表示旋转角度(通过测量两眼中心向量与水平方向的夹角得到)；

(3)：降采样

降采样是为了减小待处理图片尺寸，降低算法复杂度，并保证输入数据尺度一致。本发明采用线性插值方法进行降采样，同时，为避免过分降采样导致人脸LBP图像信息丢失，将降采样后的图像尺寸定为64*64(单位：像素)；

(4)：数据样本扩充

由于目前人脸表情基准数据库中的样本量无法满足要求，因此本发明对原始数据进行旋转与平移产生合成数据，并添加高斯白噪声，从而人为地扩充数据样本；

(5)：人脸LBP图像计算

局部二值模式(Local Binary Pattern，LBP)是一种常用的图像局部纹理描述方法，它通过对比局部范围内的中心点与邻域点的像素值，得到关于该区域的二进制编码。得到某像素对应的LBP编码后，可以计算该像素的LBP值，计算方法如下： 其中，S()表示符号函数，N表示邻域点的数目，gc与gn分别表示中心点与邻域点的像素值。通过计算图像每一点的LBP值，可以得到对应的LBP图像。

3.根据权利要求1所述的一种基于双通道卷积神经网络对人脸表情识别的方法，其特征在于，所述步骤2)具体为：(1)：搭建双通道特征提取网络(Binary Channel-Feature Extraction Network，BC-FEN)，以获取不同通道人脸图像与表情变化相关的特征。其中单通道特征提取网络包括一组输入层，两组卷积-下采样层(convolution-down sampling，C-S)以及一组特征向量层(feature vector，fv)。

(2)：对于不同通道的输入图像，采用相同的网络结构，但是针对不同通道图像的特点调整网络参数。对于人脸灰度图像(描述全局信息)，输入层大小为32×32像素，两组隐含层中卷积层与下采样层C1，S1，C2，S2大小分别为28×28，14×14，12×12，6×6，输出特征向量维度为500；对于对应的LBP图像(描述细节信息)，输入层大小为32×32像素，两组隐层的卷积层和下采样层C1，S1，C2，S2大小分别为30×30，16×16，14×14，7×7，输出特征向量维度同样为500。

(3)：对于任意通道，特征向量层与两个下采样层S2及S1同时相连，保证所提取特征具有多尺度特性。在此过程中，为了防止过拟合，在下采样层-特征向量层之间进行“dropout”操作(参数为0.5)。

(4)：对fv1、fv2进行加权融合得到向量fw＝{p1,p2,…,pm}，其中第i个成分pi通过如下方式计算得到：pi＝α·si+(1-α)·li，其中，权重α用来衡量人脸灰度图像与对应的LBP图像对最终融合特征的贡献，α的取值通过实验方式确定。对于融合后的特征向量fw，将其输出到两个级联的全连接层fc1与fc2，其中fc1维度为300，fc2维度为100。

4.根据权利要求1所述的一种基于双通道卷积神经网络对人脸表情识别的方法，其特征在于，所述步骤3)具体包括：(1)：softmax函数可用于计算多类别分类问题的类别概率分布，假设对于给定输入x：其中，输入x与输出y都是K维向量， 分母起

到正则化作用，保证输出向量的每个成分在[0,1]范围内。

(2)作为神经网络的输出，softmax函数中的值可用K个神经元来表示，即对给定输入x，每种分类的概率y可表示为 其中，P(y＝k|x)表示输入x属于第k类的概率。

(3)对于softmax函数的求解，本发明采用交叉熵作为损失函数，定义如下：其中，zi表示输入样本的真实值，yi表示softmax输出值。采用基于梯度下降优化的反推算法进行最小化，从而得到网络输出。