1.一种基于样本权值分配和深度学习的人脸表情识别方法，其特征在于包括如下步骤：步骤(1)人脸表情图片预处理，对训练样本进行一些人工图像变换，实现数据增强；

步骤(2)训练样本权值参数的获取过程：将预处理后的每张原始的人脸表情图片，通过VGG-11网络进行5折交叉验证方法，根据每张人脸表情图片的正确率来确定其权重参数；

步骤(3)设计与训练自适应Inception-Resnet网络：将步骤(2)中带权重参数的人脸表情图片输入到自适应Inception-Resnet网络进行训练；

步骤(4)人脸表情图片识别：将测试数据进行数据增强处理后，输入到步骤(3)训练好的自适应Inception-Resnet网络进行决策，输出预测结果。

2.根据权利要求1所述的一种基于样本权值分配和深度学习的人脸表情识别方法，其特征在于步骤(1)所述的人脸表情图片预处理，选用数据库中人脸表情图片的大小是48*

48，通过多次随机裁剪大小为44*44的图像，并对裁剪后的图像进行镜像处理，获得预处理后的训练集。

3.根据权利要求2所述的一种基于样本权值分配和深度学习的人脸表情识别方法，其特征在于所述步骤(2)训练样本权值参数的获取方法如下：

2-1.将通过步骤(1)获得的训练集随机划分数量相同的k组训练数据，其中一组作为训练集对VGG-11网络进行训练，剩下的k-1组作为验证集，进行k折交叉验证，训练出k个VGG-

11网络模型；

2-2.将所有的训练集中的训练样本输入到k个VGG-11网络模型，计算出所有训练样本各自的分类准确率，计算公式如下：式(1)中N为分类网络模型个数，K(xi)为第i个训练样本分别在K个分类网络模型中的正确分类次数总和；

2-3.按照如下公式对每个训练样本分配权重：

Wi＝(1-α)*C(xi)+α         (式2)

Wi为第i个训练样本的权重，α为常数，0<α<1，C(xi)为训练样本的分类准确率。

4.根据权利要求3所述的一种基于样本权值分配和深度学习的人脸表情识别方法，其特征在于步骤(3)所述的设计与训练自适应Inception-Resnet网络的实现如下：自适应Inception-Resnet网络借鉴了Inception-Resnet结构，包括两个主要模块：一是Inception模块，即对输入图像并行执行多个卷积操作和池化操作，并将所有输出结果拼接成一个特征图；二是ResNet模块，即残差结构的使用；ResNet直接将输入信息绕过输出，保护了信息的完整性，使得整个网络只需要学习输入和输出的区别；使用Inception-Resnet模块来获取关于输入图像的不同信息；将权重参数添加到这些模块中不同的分支和上一层的输入；将权重参数由网络初始化，并在网络训练过程中进行自我调整，使网络能够选择最合适的卷积操作和池化操作；在最后一个卷积层之后进行Dropout操作，最后使用全连接层(FCN)和Softmax作为分类器；

设计的Softmax损失方程如下:

式(3)中L为损失值，sj为Softmax输出向量S的第j个值，yj为one-hot形式的样本标签，T是总类数，Wi是样本的权重。

5.根据权利要求4所述的一种基于样本权值分配和深度学习的人脸表情识别方法，其特征在于步骤(4)所述的数据增强具体实现如下：将一张48×48的测试图片从中间、左上角、左下角、右上角和右下角的图像进行剪切和镜像，生成10张不同的44×44的测试图片，然后将这10张测试图片输入到步骤(3)训练好的Inception-Resnet中，对这10张测试图片进行表情分类，这10张测试图片中的每一张测试图片都有一个输出分类，统计10张测试图片的输出分类结果，输出最多的分类即为该48×48的人脸表情图片所对应的分类。