[发明专利]情绪识别方法及系统

说明书

本发明提供一种情绪识别方法及系统，方法包括：将原始人脸图像进行多尺度的变频缩放，获得大小不同的多张缩放图像；识别多张缩放图像中的正确情绪特征信息和错误情绪特征信息，并滤除多张缩放图像中的错误情绪特征信息，得到对应的多张特征图；识别多张特征图中人脸的左半脸和右半脸的情绪特征信息，得到多张缩放图像中左半脸和右半脸的情绪特征信息识别结果；分别统计多张缩放图像中左半脸和右半脸的情绪特征信息识别结果，将统计结果中出现次数最多的情绪特征信息作为最终的情绪识别结果。通过本发明的情绪识别方法及系统，大大提高了情绪识别的准确率。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种情绪识别方法及系统。

背景技术

非配合的自然状态下，人脸的姿态复杂多变、拍摄到的非正脸五官和表情特征会发生畸变，为表情识别带来大量干扰。目前的表情识别研究大多是针对正脸开展的，这些方法面对姿态变化的人脸时，识别率会非常低。

目前主要有三种策略解决自然状态下非配合的任意姿态人脸表情识别：基于人脸关键点的方法、基于外貌特征的方法和基于姿态相关的方法。

前两种方法均会受到三维人脸投影为2D照片时，关键点之间的几何特征或外貌的特征会变形和损失，这些差异会明显干扰表情识别的准确率。

学者们又提出了基于姿态相关的表情识别策略，其主要思想是建立不同姿态样本之间的联系，借助一种姿态的表情信息识别出另一种姿态的表情类别。但是人脸姿态千变万化、很难收集齐全部的各种不同姿态人脸，而且用于训练算法的非正面表情特征会受到姿态变化的影响发生畸变、导致特征标注很容易被干扰。

除此之外，将非正面人脸重建为正脸的表情识别方案能够将任意姿态的人脸都变为正脸，可以有效消除人脸立体表情特征向2D照片投影时的畸变。但是该方案也存在一个问题，就是重建正脸中的表情特征比较弱，尤其是对于姿态角较大的人脸重建为正脸时表情特征明显弱于真正的正脸，这一问题会影响表情识别的精度。

因此，目前从任意方位实施表情识别还还存在一些亟待解决的问题，限制其推广应用：侧脸表情特征弱：侧脸成像的透视畸变严重，照片中仅能看到部分眉眼鼻嘴、五官和脸皮的表情变形量要比正脸时弱得多，严重干扰表情识别的准确度。左右半脸表情强度“不对称”：该问题在正脸表情识别中就已经很明显。兼顾侧脸和正脸的表情识别：对于任意姿态人脸，不论是正脸还是侧脸，表情识别要用一个算法实现、避免切换对识别带来的干扰。如果正脸和侧脸分开识别，若选大侧脸角做切换点、会迫使正脸识别模型要学习很多侧脸图像，导致正脸表情识别准确度下降。反之选小侧脸角做切换点，也会迫使侧脸识别模型训练时遇到同样问题。

发明内容

(一)要解决的技术问题

针对于现有的技术问题，本发明提供一种情绪识别方法及系统，用于至少部分解决以上技术问题。

(二)技术方案

本发明提供一种情绪识别方法，包括：将原始人脸图像进行多尺度的变频缩放，获得大小不同的多张缩放图像；识别多张缩放图像中的正确情绪特征信息和错误情绪特征信息，并滤除多张缩放图像中的错误情绪特征信息，得到对应的多张特征图；识别多张特征图中人脸的左半脸和右半脸的情绪特征信息，得到多张缩放图像中左半脸和右半脸的情绪特征信息识别结果；分别统计多张缩放图像中左半脸和右半脸的情绪特征信息识别结果，将统计结果中出现次数最多的情绪特征信息作为最终的情绪识别结果。

可选地，将原始人脸图像进行多尺度的变频缩放，获得大小不同的多张缩放图像包括：将原始人脸图像进行至少一次不同倍数的放大和至少一次不同倍数的缩小，获得至少一张放大的人脸图像和至少一张缩小的人脸图像；其中，对原始人脸图像进行缩放时，正确情绪特征信息和错误情绪特征信息在频域上的频带发生频移，频移大小与缩放倍数关联。