1.一种基于区域自注意力卷积神经网络的人脸表情识别方法，其特征在于，包括以下步骤：步骤1：将原始表情图像输入到以VGG16为基础的特征提取网络，提取输入表情图像的深度全局特征；

步骤2：设计区域局部多值模式，将原始表情图像输入到区域局部多值模式对区域纹理进行增强；其中，所述的区域局部多值模式利用改进的K‑means算法对像素进行动态聚类；

在改进的K‑means算法中，首先计算每个数据点到原点的距离；然后，根据排序后的距离对原始数据点进行排序，将排序后的数据点划分为k个相等的集合，每组中以中间点为初始质心；这些初始质心获得更好的独特聚类结果；通过改进的K‑means算法能够保证表情变化区域特征的鲁棒性，并将二值模式扩展到k个模式，整合区域内像素间的灰度差信息，增强区域纹理特征；

步骤3：将增强过的区域纹理特征输入到区域自注意模块，区域自注意模块包含区域自注意机制和秩正则化损失，区域自注意机制增强表情显著变化区域特征的权重，量化不同区域对表情识别的贡献，得到增强后的区域纹理注意特征；而秩正则化损失被用来约束不同区域的权重，使不同区域的权重值更有区分度；

步骤4：将步骤3提取到的区域加权特征与VGG网络提取的深度全局特征进行融合；

所述步骤3，将增强过的区域纹理特征输入到区域自注意模块，区域自注意模块包含区域自注意机制和秩正则化损失，区域自注意机制增强表情显著变化区域特征的权重，量化不同区域对表情识别的贡献，得到增强后的区域纹理注意特征；而秩正则化损失被用来约束不同区域的权重，使不同区域的权重值更有区分度；具体包含以下步骤：C1：将在B4步骤中得到的鲁棒的特征表示Fr输入到降维卷积神经网络，得到每个区域的深度特征图，定义输入的区域纹理图像为I1,I2,…,I9，降维卷积神经网络的定义如下：X＝[F1,F2,…,F9]＝[V(I1；θ),V(I2；θ),…,V(I9；θ)]            (4)其中V(·；θ)为降维卷积神经网络，θ为降维卷积神经网络中的参数，X是通过降维卷积神经网络提取到的区域特征集合；

C2：为了得到每个区域在人脸表情识别任务中的贡献，利用自我注意机制获取每个区域的权重，通过FC和Sigmoid函数计算特征的粗略权值，定义如下：T T T

W＝[a1,a2,…,ak]＝[f(F1q),f(F2q),…,f(F9q)]            (5)其中ai表示第i个区域的权值，f表示Sigmoid函数，q表示全连接层的参数，将所有具有注意权重的局部特征归纳为一个整体表示Fm，其定义如下：这里，s表示特征块之间的级联操作；

C3：引用秩正则化损失RRLoss来约束不同区域的权值；首先对不同区域的权重进行排序，然后按照一定的比例将其分为高权重组和低权重组；其次，计算高、低权重组的平均权重，分别用ahigh和alow表示；

在RRLoss中添加差值M以限制这些组的平均权重，其定义如下所示：

LRR＝max{0,M‑(ahigh‑alow)}                  (9)Ghigh和Glow分别表示高权重组和低权重组的权重均值，λ表示高权重组所占的比例，N表示区域的个数；M是一个差值，它是一个固定的可学习参数或超参数，LRR用于增强区域关注的权重，鼓励网络在训练过程中优先关注表情变化区域。

2.根据权利要求1所述的一种基于区域自注意力卷积神经网络的人脸表情识别方法，其特征在于，所述步骤1将原始表情图像输入到以VGG16为基础的特征提取网络，提取输入表情图像的深度全局特征，具体包括：A1：将人脸表情图像，通过人脸检测对齐网络MTCNN检测出人脸关键点，并将人脸图像对齐，裁剪为224×224尺寸大小的输入图像I；

A2：将图像I输入到VGG16网络中提取特征，用Fg表示，则Fg定义为：Fg＝γ(I；θ)                              (1)其中γ(；)为骨干网络，θ为骨干网络中的参数，Fg是通过骨干网络提取到的深度全局特征。

3.根据权利要求2所述的一种基于区域自注意力卷积神经网络的人脸表情识别方法，其特征在于，所述步骤2，设计区域局部多值模式，将原始表情图像输入到区域局部多值模式对区域纹理进行增强，具体包含以下步骤：B1：对于输入的人脸表情图像，将其均匀裁剪为3×3人脸表情图像区域；

B2：对于每个区域，定义其灰度值与局部邻域像素均值的差值mi，然后利用该差值作为新的像素图Menhance，定义如下：其中Pc表示像素图的中心像素值，Pi表示与Pc相邻的像素值； 表示局部邻域像素均值，P表示周围采样像素的集合，i表示周围采样像素集和的索引；

B3：将增强后的特征图Menhance的增强像素存储在数组a中，并将其分成k等份，得到a1,a2,…,ak，定义每个类的中心值作为校准点，计算每个像素到校准点的距离；将最接近的像素组成一个类，计算类中像素的均值，并将均值作为新的定标点，最后通过迭代得到最后k个定标点；

B4：将每层的像素值进行二值化，得到k个模式，并将这些模式进行级联，得到每个区域鲁棒的特征表示Fr。

4.根据权利要求3所述的一种基于区域自注意力卷积神经网络的人脸表情识别方法，其特征在于，所述步骤4，将步骤3提取到的区域加权特征与VGG网络提取的深度全局特征进行融合；具体包含以下步骤：D1：将C2步骤提取到的增强后的区域纹理注意特征Fm与深度全局特征Fg进行有效融合；

D2：通过Concat操作将通道数相加，用于描述图像本身的特征得到增加，其定义如下：F＝concat(Fm,Fg)                     (10)然后将融合后的特征F送入分类器进行表情识别。