[发明专利]情绪识别方法、装置、计算机设备和存储介质

说明书

本申请涉及一种情绪识别方法、装置、计算机设备和存储介质。所述方法包括：获取待识别面部图片；通过预先训练的用于情绪识别的深度学习模型对所述待识别面部图片进行情绪分类，得到预设类型情绪的概率；所述预设类型的情绪包括第一类型情绪和第二类型情绪；当所述第一类型情绪的概率大于第一阈值时，对所述待识别面部图片进行识别得到局部特征值；获取局部特征判断规则，并根据所述局部特征判断规则对所述局部特征值进行计算，得到局部动作概率；根据所述第一类型情绪的概率、所述第二类型情绪的概率和所述局部动作概率，得到所述待识别面部图片对应的情绪。采用本方法能够提高情绪识别的准确率。

技术领域

本申请涉及图像识别技术领域，特别是涉及一种情绪识别方法、装置、计算机设备和存储介质。

背景技术

随着人工智能技术的发展，出现了面部微表情识别技术，传统的面部微表情识别技术通常包括基于面部特征的方法和基于深度学习的方法。

其中基于深度学习的方法，通常是采用卷积神经网络，即以数据驱动为主的，虽然能带来较好的识别效果，但其缺点是只能识别训练集上有标注的表情，目前比较主流的数据集上提供的有标注的表情类别通常只有6至8类。

基于面部特征的方法则需要面部特征定义规则，但是该些部分特征定义规则不完善，例如采用眼睛中心点和眉毛两端点之间的夹角计算夹角来判断人是否发生皱眉，然而眼睛中心会由于眼球运动产生剧烈的变化，从而影响角度计算的准确性，对皱眉产生漏判和误判。

因此急需一种能够准确地识别情绪的方法。

发明内容

基于此，有必要针对上述技术问题，提供一种能够融合面部特征和深度学习以提高准确性的情绪识别方法、装置、计算机设备和存储介质。

一种情绪识别方法，所述方法包括：

获取待识别面部图片；

通过预先训练的用于情绪识别的深度学习模型对所述待识别面部图片进行情绪分类，得到预设类型情绪的概率；所述预设类型的情绪包括第一类型情绪和第二类型情绪；

当所述第一类型情绪的概率大于第一阈值时，对所述待识别面部图片进行识别得到局部特征值；

获取局部特征判断规则，并根据所述局部特征判断规则对所述局部特征值进行计算，得到局部动作概率；

根据所述第一类型情绪的概率、所述第二类型情绪的概率和所述局部动作概率，得到所述待识别面部图片对应的情绪。

在其中一个实施例中，所述通过预先训练的用于情绪识别的深度学习模型对所述待识别面部图片进行情绪分类，得到预设类型情绪的概率，包括：

采用按照预设顺序串联的深度可分离卷积层依次提取特征图；

当所述特征图大小为预设大小时，采用在所述深度可分离卷积层之间增加的感受野扩大模块进行特征图提取；

通过全连接层对所得到的特征图进行处理，得到预设类型情绪的概率。

在一个实施例中，所述对所述待识别面部图片进行识别得到局部特征值之后，还包括：

将所述局部特征值按照时间顺序更新至局部特征动态序列中。

在一个实施例中，所述获取局部特征判断规则，并根据所述局部特征判断规则对所述局部特征值进行计算，得到局部动作概率，包括：

通过预设的规则从所述局部特征动态序列中提取第一类型情绪下眉毛角度；

确定当前表情下眉毛角度与所述第一类型情绪下眉毛角度的第一差值以及皱眉表情下眉毛角度与所述第一类型情绪下眉毛角度的第一最大差值；

根据所述第一差值与所述第一最大差值的比率得到皱眉概率。