1.基于表情识别的监控系统，其特征在于，包括云服务器、树莓派、北斗GPS模块、装有监控APP的移动终端和车载监控装置，所述车载监控装置包括装置本体(1)、左摄像臂(2)、右摄像臂(3)、前摄像装置(4)和后视镜(5)，装置本体(1)左、右端分别开设有与对应摄像臂相匹配的腔体，左摄像臂(2)和右摄像臂(3)可伸缩地安装在装置本体(1)中，装置本体(1)内中间位置安装有用于驱动两摄像臂伸缩的驱动机构；前摄像装置(4)固定在装置本体(1)前端面中间位置，后视镜(5)固定在装置本体(1)后端面上；左摄像臂(2)和右摄像臂(3)均包括步进电机(18)、电机座(19)、第一转轴(20)、套筒(21)和摄像模组，套筒(21)可滑动地设置在装置本体(1)内、对应端腔体中，电机座(19)固定在套筒(21)内侧端部，步进电机(18)固定在电机座(19)上，步进电机(18)的输出轴穿过电机座(19)，并与套筒(21)内的第一转轴(20)固定连接；

所述摄像模组包括摄像头固定盒(11)、第一旋钮(12)、第二旋钮(13)、第一摄像头(14)、第一LED补光灯(15)、第二感光传感器(16)和挡块(17)，第一LED补光灯(15)包括多个第一LED灯珠，挡块(17)、第一旋钮(12)、摄像头固定盒(11)和第二旋钮(13)依次固定连接，挡块(17)与装置本体(1)对应端端面相匹配，第一摄像头(14)固定在摄像头固定盒(11)前端面中间位置，第二感光传感器(16)和多个第一LED灯珠围绕着第一摄像头(14)周向均匀地固定在摄像头固定盒(11)前端面上，第二旋钮(13)与第一转轴(20)外侧端部转动连接；

所述驱动机构包括舵机(9)、齿轮(10)、第一齿条(24)和第二齿条(25)，舵机(9)固定在装置本体(1)内中间位置，齿轮(10)固定在舵机(9)的输出轴上，两齿条水平设置在装置本体(1)内，且所述两齿条分别与齿轮(10)啮合，第一齿条(24)左端与左摄像臂(2)的套筒(21)一体连接，第二齿条(25)与右摄像臂(3)的套筒(21)一体连接，两套筒(21)上分别开设有用于容纳相对的齿条的凹槽；

舵机(9)和两步进电机(18)均配套有驱动模块，各驱动模块分别与所述树莓派串口通信，各感光传感器分别与所述树莓派串口通信，所述北斗GPS模块与所述树莓派串口通信，各摄像头和各LED补光灯分别与所述树莓派串口通信；所述树莓派与所述云服务器通过5G/

4G双频无线网卡，以TCP/IP协议和HTTP协议经过5G/4G双频无线路由器，实现与所述云服务器实时通信，实时上传监控视频和GPS数据；所述移动终端通过5G/4G移动网络与所述云服务器实时通信；

所述云服务器包括：通信模块，用于实现与所述移动终端和所述树莓派的双向通信；可疑表情识别模块，用于对监控视频进行人脸表情可疑度判断；风险预警模块，用于当所述可疑表情识别模块判断出高置信度可疑表情时，向所述移动终端发出预警，预警方式包括短信提示和APP弹窗、推送提示；云端数据管理模块，用于存储和管理历史监控视频、可疑人脸出现的视频片段、GPS数据；

移动终端监控APP，用于管理和缓存云端监控视频、可疑人脸出现的视频片段，向树莓派发送控制指令，以及监控画面、可疑人物出现的视频段、历史车辆GPS轨迹和当前位置的可视化展示。

2.根据权利要求1所述的基于表情识别的监控系统，其特征在于，左摄像臂(2)和右摄像臂(3)还均包括第二转轴(23)，第二转轴(23)设置在套筒(21)内，并与第一转轴(20)通过销轴(22)转动连接，构成一个可前后转动的关节体，装置本体(1)前端面左、右侧均开设有供对应关节体向前转动的半圆形引导槽，所述两套筒(21)对应开孔；第二旋钮(13)与第二转轴(23)外侧端部转动连接。

3.根据权利要求1或2所述的基于表情识别的监控系统，其特征在于，前摄像装置(4)包括前壳体(26)、第二摄像头(27)、第二LED补光灯(28)和第三感光传感器(29)，第二LED补光灯(28)包括多个第二LED灯珠，前壳体(26)一体固定在装置本体(1)前端面中间位置，第二摄像头(27)固定在前壳体(26)前端面中间位置，第三感光传感器(29)和多个第二LED灯珠围绕着第二摄像头(27)周向均匀地固定在前壳体(26)前端面上；后视镜(5)采用防炫目后视镜，后视镜(5)上部中间位置固定有第一感光传感器(6)，后视镜(5)上部左侧固定有左隐藏式摄像头(7)，后视镜(5)上部右侧固定有右隐藏式摄像头(8)。

4.一种基于权利要求1所述的基于表情识别的监控系统的监控方法，其特征在于，包括如下步骤：步骤1)、采集监控视频；

步骤2)、预先训练表情识别模型；

步骤3)、应用所述表情识别模型对监控视频进行表情识别，当可疑表情识别置信度为高时，发出预警。

5.根据权利要求4所述的基于表情识别的监控系统的监控方法，其特征在于，步骤2)中，表情识别模型的训练方法包括：步骤a、输入AFEW数据集，将AFEW数据集中设定比例的图像作为训练集，AFEW数据集中其余图像作为验证集；

步骤b、VGG16网络训练；

在VGG16网络训练前，采用迁移学习法，载入VGGFace的模型参数作为预训练权重；利用训练集开始VGG16网络的训练，经特征提取后生成特征值数组、图片标签和各帧视频标签，再在VGG16网络后加上Softmax层进行分类操作，分类参照的是每一幅图片的标签，与每一帧视频的标签相同；

VGG16网络使用3×3的卷积核进行卷积运算，卷积采样尺度为1×1，池化间隔2×2；网络依次是两层卷积Conv3‑64，一层池化pool1/2；两层卷积Conv3‑128，一层池化pool1/2；三层卷积Conv3‑256，一层池化pool1/2；三层卷积Conv3‑512，一层池化pool1/2；三层卷积Conv3‑512，一层池化pool1/2；两层全连接层FC‑4096；

池化层pool1/2为窗口大小是2×2，步长为2的最大池化层；

使用Softmax损失函数对线性输出进行处理，设分类器总类别个数为c，则当前元素的指数与所有元素指数和的比即为当前元素的Softmax值Si，其中，Vi为分类器前一级输出单元的输出，i为类别索引，e表示常数；

Si所对应的Softmax损失函数为Li，

Li越趋近于0，说明分类结果越准确；sj表示当前元素的Softmax值；

步骤c、LSTM网络训练；

步骤b训练完成的VGG16，去掉加上的Softmax层和第2层全连接层，连接在LSTM网络的前方；采用传统CNN模型从各帧视频中提取的视频微表情序列经过VGG16计算得到视频微表情图像特征值后，作为LSTM的输入，在LSTM网络中进行训练；训练LSTM模型时，每12帧视频图像选取为一个片段进行迭代；

LSMT网络结构为，每一个VGG16连接单层有128个隐层单元的LSTM网络；该网络由LSTM循环单元构成，循环单元包括遗忘门、输入门和输出门；遗忘门函数ft用于决定网络要丢失哪些信息，其输出值介于0‑1之间；

f f

ft＝σ(Wxt+Uht‑1)

f

其中，t表示当前时刻，xt为当前时刻网络输入，ht‑1为上一时刻LSTM的网络输出值；W 和fU为权重系数参数，需要经过训练学习后确定；

输入门函数it用于决定网络要增的新信息

i i

it＝σ(Wxt+Uht‑1)

i

其中，t表示当前时刻，xt为当前时刻网络输入，ht‑1为上一时刻LSTM的网络输出值；W 和iU为权重系数参数，需要经过训练学习后确定；

更新门状态 用于描述当前网络的最新状态

c

其中，t表示当前时刻，xt为当前时刻网络输入，ht‑1为上一时刻LSTM的网络输出值；W 和cU为权重系数参数，需要经过训练学习后确定；

更新操作后要增加的新信息为ct

最终，可以确定输出门函数Ot为

o o

ot＝σ(Wxt+Uht‑1)

o

其中，t表示当前时刻，xt为当前时刻网络输入，ht‑1为上一时刻LSTM的网络输出值；W 和oU为权重系数参数，需要经过训练学习后确定；⊙表示点乘运算；

而当前时刻LSTM网络的输出值为ht

ht＝ot⊙tanh(Ct)

最后，通过将LSTM网络各层依次叠放，以增加深度添加至整个LSTM系统模型，并采用第

1个网络的第一层中的LSTM隐藏状态作为层1中的LSTM输入，各层网络依次循环连接，构成长时间的动态网络；人脸表情特征序列中的有效信息能够得到不断更新，并输出给下一层网络；

d、验证集送入VGG16网络，输出测试结果；

验证集送入训练完成的VGG16网络中，由VGG16中的的全连接层FC给出测试结果；

e、计算出模型测试结果的准确率；

由ACC表示该模型的验证集准确率

其中，TP为将正类预测为正类数，即模型预测正确的个数；TN为将负类预测为负类数，即模型其他类预测正确的个数；FP将负类预测为正类数误报，即模型把其他类错误预测为本类的个数；FN将正类预测为负类数漏报，即模型为本类预测错误的个数；ACC要求高于

95％。

6.根据权利要求5所述的基于表情识别的监控系统的监控方法，其特征在于，步骤a中，AFEW数据集中70％的图像作为训练集，30％的图像作为验证集。

7.根据权利要求6所述的基于表情识别的监控系统的监控方法，其特征在于，步骤3)中，应用所述表情识别模型对监控视频进行表情识别，包括：步骤A、输入待检测的监控视频图像；

将监控视频进行分割，获得每帧的图像，将每12帧视频帧作为一段，分别对每帧进行检测；

步骤B、Adaboost算法训练得到的强分类器和肤色分割进行人脸位置检测；

人脸检测分为三部分：样本分类器训练、肤色分割、人脸检测；样本分类器训练载入人脸样本和非人脸样本，利用Adaboost算法训练分类器；肤色分割通过肤色区域检测和分割的方式获取图片中的肤色区域，为人脸检测时排除大部分非肤色区域；人脸检测将利用Adaboost算法训练的强分类器进行级联，对肤色分割步骤中获得的肤色区域进一步进行人脸验证，并定位人脸所在位置；

步骤C、VGG16和LSTM网络分别进行特征提取与分类；

将Adaboost算法得出的人脸区域剪裁后，送入训练完成的VGG16和单层LSTM网络，由维度为128的全连接层FC输出经过模型权重判断的结果，结果集包括生气、蔑视、恐惧、高兴、悲伤、惊讶，中性；

步骤D、输出分类结果；

由步骤C全连接层FC输出的分类结果，根据可疑表情识别的要求，再进行重新归类，生气、蔑视、恐惧和惊讶表情归为可疑表情，高兴和悲伤表情归为次可疑表情，中性归为正常表情；最后输出的分类结果集为可疑表情、次可疑表情、正常表情；可疑表情，亦称置信度高的可疑表情。

8.根据权利要求7所述的基于表情识别的监控系统的监控方法，其特征在于，步骤B中，检测人脸位置的步骤为：先将待检测图像分割为20*20个样本，检测窗口与样本大小一致；

之后从左到右，从上到下地遍历图像，检测20*20个区域，标出可能的人脸区域；然后，设定参数scale按照此倍数放大检测窗口，循环不停地放大检测窗口遍历图像，直到检测窗口超过原图像大小的一半后退出循环；每遍历一次对重叠检测到的人脸区域进行合并。