[发明专利]基于循环神经网络的人物性格分析方法、装置及存储介质

说明书

本发明提供一种基于循环神经网络的人物性格分析方法、装置及计算机可读存储介质。该方法包括以下步骤：收集样本视频并标注性格类型；提取样本视频图像序列的特征向量；构建以Softmax分类器为输出层的循环神经网络模型；用所述特征向量及性格类型标注训练循环神经网络模型，优化训练参数，得到人物性格分析模型；采集待分析对象的面部视频并提取该视频图像序列的特征向量；将提取的特征向量输入人物性格分析模型，得到待分析对象对应每种性格类型的概率值，取概率值最大的性格类型作为该待分析对象的性格类型。利用本发明，可以客观分析人物的性格。

技术领域

本发明涉及计算机视觉技术领域，尤其涉及一种基于循环神经网络的人物性格分析方法、装置及存储介质。

背景技术

性格是人格的重要组成部分，了解人物的性格，可以提高人与人的沟通效率，也有助于人们选择理性的思维方式，形成良好的人格特质。

目前，人物性格分析一般是通过问卷调查或语音问答的方式实现的，需要耗费大量的时间和人力资源。如果答卷人或答题者受客观环境影响或不积极配合分析过程，分析结果往往不准确客观。

发明内容

鉴于以上原因，本发明提供一种人物性格分析方法、装置及存储介质，可以通过对人物的面部视频进行识别、分析，客观、准确地判断人物的性格类型。

为实现上述目的，本发明提供一种基于循环神经网络的人物性格分析方法，该方法包括：

样本准备步骤：收集不同性格类型人物的预定时长的面部视频作为样本，为每个样本标注一个性格类型；

样本特征提取步骤：提取每个样本的图像序列的特征向量；

模型构建步骤：构建以Softmax分类器为输出层的循环神经网络模型；

模型训练步骤：定义Softmax损失函数，以各样本的性格标注及图像序列的特征向量为样本数据，对所述循环神经网络模型进行训练，输出各样本对应每种性格类型的概率值，每次训练更新该循环神经网络模型的训练参数，以使所述Softmax损失函数最小化的训练参数作为最终参数，得到人物性格分析模型；及

模型应用步骤：采集待分析对象的预定时长的面部视频，利用所述人物性格分析模型分析该待分析对象的该面部视频，得到该待分析对象对应每种性格类型的概率值，取概率值最大的性格类型作为该待分析对象的性格类型。

优选地，所述样本特征提取步骤还包括：

将所述样本的视频转换为图像序列。

可选地，所述特征向量为HOG特征向量、LBP特征向量、通过卷积神经网络提取的特征向量中的一种或几种。

优选地，所述模型构建步骤包括：

根据所述样本的图像序列长度及每帧图像的特征向量维数设置循环神经网络层数及每层的神经元个数；

根据所述性格类型的数量设置所述Softmax分类器的神经元个数。

优选地，所述Softmax损失函数公式如下：

其中，θ为所述循环神经网络模型的训练参数，Xj表示第j个样本，yj表示第j个样本对应的性格类型的预测概率。

优选地，所述训练参数包括迭代次数。