CN108460364B - 用于生成信息的方法和装置 - Google Patents
用于生成信息的方法和装置 Download PDFInfo
- Publication number
- CN108460364B CN108460364B CN201810258967.8A CN201810258967A CN108460364B CN 108460364 B CN108460364 B CN 108460364B CN 201810258967 A CN201810258967 A CN 201810258967A CN 108460364 B CN108460364 B CN 108460364B
- Authority
- CN
- China
- Prior art keywords
- infant
- sequence
- skeleton
- image
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/23—Recognition of whole body movements, e.g. for sport training
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本申请实施例公开了用于生成信息的方法和装置。该方法的一具体实施方式包括:获取对婴儿进行拍摄所得到的图像序列;将图像序列中的图像依次输入至预先训练的第一区域定位模型,得到婴儿的骨架图像区域序列;基于所述婴儿的骨架图像区域序列和预先训练的第一特征提取模型,得到所述婴儿的骨架特征序列;将婴儿的骨架特征序列输入至预先训练的心理状态预测模型,得到婴儿的心理状态信息。该实施方式提高了对婴儿的心理状态信息的预测准确度。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及用于生成信息的方法和装置。
背景技术
婴儿通常是指小于1周岁的儿童。由于婴儿的机体发育不完善,无法用语言表达自己的心理状态。但是婴儿通常会利用手势动作加上发音来表示自己的需求。例如,若婴儿的嘴唇、舌头做出吸吮的动作,或是嘴巴碰到东西,如衣服、毛毯等,头就转向过去,而且嘴巴还会张大,甚至碰到自己的手就会吸吮手指,说明婴儿在表达自己肚子饿了的心理状态。准确地判断出婴儿的心理状态,可以指导妈妈对婴儿进行良好的照顾。通常,妈妈会根据自己的经验人工判断婴儿的心理状态。然而,部分新手妈妈由于经验不足,经常会出现判断错误的现象。
发明内容
本申请实施例提出了用于生成信息的方法和装置。
第一方面,本申请实施例提供了一种用于生成信息的方法,该方法包括:获取对婴儿进行拍摄所得到的图像序列;将图像序列中的图像依次输入至预先训练的第一区域定位模型,得到婴儿的骨架图像区域序列;基于婴儿的骨架图像区域序列和预先训练的第一特征提取模型,得到婴儿的骨架特征序列;将婴儿的骨架特征序列输入至预先训练的心理状态预测模型,得到婴儿的心理状态信息。
在一些实施例中,基于婴儿的骨架图像区域序列和预先训练的第一特征提取模型,得到婴儿的骨架特征序列,包括:对婴儿的骨架图像区域序列中的骨架图像区域进行去噪处理,得到去噪处理后的骨架图像区域序列;将去噪处理后的骨架图像区域序列中的骨架图像区域依次输入至预先训练的第一特征提取模型,得到婴儿的骨架特征序列。
在一些实施例中,在获取对婴儿进行拍摄所得到的图像序列之后,该方法还包括:将图像序列中的图像依次输入至预先训练的第二区域定位模型,得到婴儿的脸图像区域序列;将婴儿的脸图像区域序列中的脸图像区域依次输入至预先训练的第二特征提取模型,得到婴儿的脸特征序列;将婴儿的骨架特征序列输入至预先训练的心理状态预测模型,得到婴儿的心理状态信息,包括:将婴儿的骨架特征序列和婴儿的脸特征序列进行合并,得到合并特征序列;将合并特征序列输入至预先训练的心理状态预测模型,得到婴儿的心理状态信息。
在一些实施例中,该方法还包括:获取对婴儿发出的声音进行录制所得到的音频;从音频中提取婴儿的音频特征序列;将婴儿的骨架特征序列和婴儿的脸特征序列进行合并,得到合并特征序列,包括:将婴儿的骨架特征序列、婴儿的脸特征序列和婴儿的音频特征序列进行合并,得到合并特征序列。
在一些实施例中,图像序列是对婴儿进行一次连拍所得到的多帧图像,或者图像序列是对婴儿进行拍摄所得到的视频中的多帧图像。
在一些实施例中,第一区域定位模型通过如下步骤训练得到:获取样本婴儿的骨架图像和样本婴儿的骨架图像的标注结果;将样本婴儿的骨架图像作为输入,将样本婴儿的骨架图像的标注结果作为输出,对初始卷积神经网络进行训练,得到第一区域定位模型。
在一些实施例中,心理状态预测模型通过如下步骤训练得到:获取对样本婴儿进行拍摄所得到的图像序列和样本婴儿的心理状态信息;对样本婴儿的图像序列进行分析,得到样本婴儿的骨架特征序列;将样本婴儿的骨架特征序列作为输入,将样本婴儿的心理状态信息作为输出,对初始循环神经网络进行训练,得到心理状态预测模型。
第二方面,本申请实施例提供了一种用于生成信息的装置,该装置包括:图像序列获取单元,配置用于获取对婴儿进行拍摄所得到的图像序列;骨架图像区域定位单元,配置用于将图像序列中的图像依次输入至预先训练的第一区域定位模型,得到婴儿的骨架图像区域序列;骨架特征提取单元,配置用于基于所述婴儿的骨架图像区域序列和预先训练的第一特征提取模型,得到所述婴儿的骨架特征序列;信息生成单元,配置用于将婴儿的骨架特征序列输入至预先训练的心理状态预测模型,得到婴儿的心理状态信息。
在一些实施例中,骨架特征提取单元包括:骨架图像区域去噪子单元,配置用于对婴儿的骨架图像区域序列中的骨架图像区域进行去噪处理,得到去噪处理后的骨架图像区域序列;骨架特征提取子单元,配置用于将去噪处理后的骨架图像区域序列中的骨架图像区域依次输入至预先训练的第一特征提取模型,得到婴儿的骨架特征序列。
在一些实施例中,该装置还包括:脸图像区域定位单元,配置用于将图像序列中的图像依次输入至预先训练的第二区域定位模型,得到婴儿的脸图像区域序列;脸特征提取单元,配置用于将婴儿的脸图像区域序列中的脸图像区域依次输入至预先训练的第二特征提取模型,得到婴儿的脸特征序列;信息生成单元包括:特征合并子单元,配置用于将婴儿的骨架特征序列和婴儿的脸特征序列进行合并,得到合并特征序列;信息生成子单元,配置用于将合并特征序列输入至预先训练的心理状态预测模型,得到婴儿的心理状态信息。
在一些实施例中,该装置还包括:音频获取单元,配置用于获取对婴儿发出的声音进行录制所得到的音频;音频特征提取单元,配置用于从音频中提取婴儿的音频特征序列;特征合并子单元进一步配置用于:将婴儿的骨架特征序列、婴儿的脸特征序列和婴儿的音频特征序列进行合并,得到合并特征序列。
在一些实施例中,图像序列是对婴儿进行一次连拍所得到的多帧图像,或者图像序列是对婴儿进行拍摄所得到的视频中的多帧图像。
在一些实施例中,第一区域定位模型通过如下步骤训练得到:获取样本婴儿的骨架图像和样本婴儿的骨架图像的标注结果;将样本婴儿的骨架图像作为输入,将样本婴儿的骨架图像的标注结果作为输出,对初始卷积神经网络进行训练,得到第一区域定位模型。
在一些实施例中,心理状态预测模型通过如下步骤训练得到:获取对样本婴儿进行拍摄所得到的图像序列和样本婴儿的心理状态信息;对样本婴儿的图像序列进行分析,得到样本婴儿的骨架特征序列;将样本婴儿的骨架特征序列作为输入,将样本婴儿的心理状态信息作为输出,对初始循环神经网络进行训练,得到心理状态预测模型。
第三方面,本申请实施例提供了一种电子设备,该电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本申请实施例提供了一种计算机可读介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本申请实施例提供的用于生成信息的方法和装置,通过将对婴儿进行拍摄所得到的图像序列中的图像依次输入至预先训练的第一区域定位模型,从而得到婴儿的骨架图像区域序列;然后将婴儿的骨架图像区域序列中的骨架图像区域依次输入至预先训练的第一特征提取模型,从而得到婴儿的骨架特征序列;最后将婴儿的骨架特征序列输入至预先训练的心理状态预测模型,从而得到婴儿的心理状态信息。利用第一区域定位模型定位出婴儿的骨架图像区域,利用第一特征提取模型提取婴儿的骨架特征,利用心理状态预测模型确定婴儿的心理状态信息,提高了对婴儿的心理状态信息的预测准确度。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请可以应用于其中的示例性系统架构图;
图2是根据本申请的用于生成信息的方法的一个实施例的流程图;
图3是根据本申请的用于生成信息的方法的应用场景的一个示意图;
图4是根据本申请的用于生成信息的方法的又一个实施例的流程图;
图5是根据本申请的用于生成信息的方法的另一个实施例的流程图;
图6是根据本申请的用于生成信息的装置的一个实施例的结构示意图;
图7是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于生成信息的方法或用于生成信息的装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是支持图像连拍功能或视频拍摄功能的各种电子设备,包括但不限于照相机、摄像机、摄像头、智能手机和平板电脑等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以提供各种服务,例如服务器105可以对从终端设备101、102、103获取到的对婴儿进行拍摄所得到的图像序列等数据进行分析等处理,并生成处理结果(例如婴儿的心理状态信息)。
需要说明的是,服务器105可以是硬件,也可以是软件。当服务器105为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器105为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,本申请实施例所提供的用于生成信息的方法可以由服务器105执行,相应地,用于生成信息的装置设置于服务器105中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,其示出了根据本申请的用于生成信息的方法的一个实施例的流程200。该用于生成信息的方法,包括以下步骤:
步骤201,获取对婴儿进行拍摄所得到的图像序列。
在本实施例中,用于生成信息的方法的执行主体(例如图1所示的服务器105)可以通过有线连接方式或者无线连接方式从终端设备(例如图1所示的终端设备101、102、103)获取对婴儿进行拍摄所得到的图像序列。其中,终端设备可以是支持图像连拍功能或视频拍摄功能的各种电子设备,包括但不限于照相机、摄像机、摄像头、智能手机和平板电脑等等。这里,图像序列可以是通过支持图像连拍功能的终端设备对婴儿进行一次连拍所得到的多帧图像,也可以是通过支持视频拍摄功能的终端设备对婴儿进行拍摄所得到的视频中的多帧图像。通常,图像序列中的图像的排列顺序与图像的拍摄顺序相同。
步骤202,将图像序列中的图像依次输入至预先训练的第一区域定位模型,得到婴儿的骨架图像区域序列。
在本实施例中,基于步骤201所获取的图像序列,上述执行主体可以将图像序列中的图像依次输入至预先训练的第一区域定位模型,从而得到婴儿的骨架图像区域序列。这里,婴儿的骨架图像区域可以包括但不限于头、肩、肘、手、胯、膝、脚等图像区域。
在本实施例中,第一区域定位模型可以用于对婴儿的图像中的婴儿的骨架图像区域进行定位,表征婴儿的图像和婴儿的骨架图像区域之间的对应关系。
在本实施例的一些可选的实现方式中,第一区域定位模型可以是本领域技术人员对大量样本婴儿的图像和图像中的样本婴儿的骨架图像区域进行统计分析,而得到的存储有多个样本婴儿的图像和图像中的样本婴儿的骨架图像区域的对应关系表。此时,上述执行主体可以计算婴儿的图像与该对应关系表中的各个样本婴儿的图像之间的相似度,并基于相似度计算结果,从该对应关系表中得到与该婴儿的图像对应的婴儿的骨架图像区域。例如,首先确定出与该婴儿的图像的相似度最高的样本婴儿的图像,然后从该对应关系表中查找出与该样本婴儿的图像对应的样本婴儿的骨架图像区域,最后,从该婴儿的图像中分割出与该样本婴儿的骨架图像区域位置相同的区域,并作为该婴儿的骨架图像区域。
在本实施例的一些可选的实现方式中,第一区域定位模型可以是利用各种机器学习方法和训练样本对现有的机器学习模型(例如各种人工神经网络等)进行有监督训练而得到的。这里,训练样本可以包括大量样本婴儿的图像和样本婴儿的图像的骨架图像区域标注结果。
实践中,卷积神经网络可以是一种前馈神经网络,它的人工神经元可以响应一部分覆盖范围内的周围单元,对于大型图像处理有出色表现。通常,卷积神经网络的基本结构包括两层,其一为特征提取层,每个神经元的输入与前一层的局部接受域相连,并提取该局部的特征。一旦该局部特征被提取后,它与其它特征间的位置关系也随之确定下来;其二是特征映射层,特征映射层采用激活函数,使得特征映射具有位移不变性。因此,卷积神经网络常用来做区域定位模型和特征提取模型的初始模型。这里,可以利用训练样本对初始卷积神经网络进行训练,从而得到第一区域定位模型。具体地,第一区域定位模型可以通过如下步骤训练得到:
首先,获取样本婴儿的图像和样本婴儿的图像的骨架图像区域的标注结果。
通常,样本婴儿的图像的骨架图像区域标注结果可以包括样本婴儿的骨架图像区域的位置信息和骨架的名称。
然后,将样本婴儿的图像作为输入,将样本婴儿的图像的骨架图像区域的标注结果作为输出,对初始卷积神经网络进行训练,得到第一区域定位模型。
这里,初始卷积神经网络可以是未经训练的卷积神经网络或未训练完成的卷积神经网络,初始卷积神经网络可以设置有初始网络参数(例如不同的小随机数),网络参数在第一区域定位模型的训练过程中可以被不断地调整。直至训练出能够表征婴儿的图像和婴儿的骨架图像区域之间的对应关系的第一区域定位模型为止。例如,可以采用BP(BackPropagation,反向传播)算法或者SGD(Stochastic Gradient Descent,随机梯度下降)算法来调整卷积神经网络的网络参数。
步骤203,基于婴儿的骨架图像区域序列和预先训练的第一特征提取模型,得到婴儿的骨架特征序列。
在本实施例中,基于步骤202所得到的婴儿的骨架图像区域序列,上述执行主体可以将婴儿的骨架图像区域序列中的骨架图像区域依次输入至第一特征提取模型,从而得到婴儿的骨架特征序列。这里,婴儿的骨架特征可以是用于对骨架图像区域中的骨架进行描述的信息,包括但不限于与骨架相关的各种基本要素(例如骨架动作、骨架轮廓、骨架位置、骨架纹理等)。通常,骨架特征可以用多维向量来表示。
在本实施例中,第一特征提取模型可以用于对婴儿的骨架图像区域的特征进行提取,表征婴儿的骨架图像区域和婴儿的骨架特征之间的对应关系。
在本实施例的一些可选的实现方式中,第一特征提取模型可以是本领域技术人员对大量样本婴儿的骨架图像和骨架图像中的样本婴儿的骨架特征进行统计分析,而得到的存储有多个样本婴儿的骨架图像和样本婴儿的骨架特征的对应关系表。此时,上述执行主体可以计算婴儿的骨架图像区域与该对应关系表中的各个样本婴儿的骨架图像之间的相似度,并基于相似度计算结果,从该对应关系表中查找出与该婴儿的骨架图像区域对应的婴儿的骨架特征。例如,首先确定出与该婴儿的骨架图像区域的相似度最高的样本婴儿的骨架图像,然后从该对应关系表中查找出与该样本婴儿的骨架图像对应的样本婴儿的骨架特征,并作为该婴儿的骨架特征。
在本实施例的一些可选的实现方式中,第一特征提取模型也可以是利用各种机器学习方法和训练样本对现有的机器学习模型(例如各种人工神经网络等)进行有监督训练而得到的。这里,训练样本可以包括大量样本婴儿的骨架图像和样本婴儿的骨架特征。
这里,可以利用训练样本对初始卷积神经网络进行训练,从而得到第一特征提取模型。具体地,第一特征提取模型可以通过如下步骤训练得到:
首先,获取样本婴儿的骨架图像和骨架图像中的样本婴儿的骨架特征。
然后,将样本婴儿的骨架图像作为输入,将样本婴儿的骨架特征作为输出,对初始卷积神经网络进行训练,得到第一特征提取模型。
这里,初始卷积神经网络可以设置有初始网络参数(例如不同的小随机数),网络参数在第一特征提取模型的训练过程中可以被不断地调整。直至训练出能够表征婴儿的骨架图像和婴儿的骨架特征之间的对应关系的第一特征提取模型为止。
通常,婴儿穿有衣服,即婴儿的骨架被衣服覆盖。覆盖在骨架上的衣服可能会对提取骨架特征造成影响。因此,上述执行主体可以首先对婴儿的骨架图像区域序列中的骨架图像区域进行去噪处理,得到去噪处理后的骨架图像区域序列;然后将去噪处理后的骨架图像区域序列中的骨架图像区域依次输入至预先训练的第一特征提取模型,得到婴儿的骨架特征序列,以消除衣服对所提取的骨架特征造成的影响。
步骤204,将婴儿的骨架特征序列输入至预先训练的心理状态预测模型,得到婴儿的心理状态信息。
在本实施例中,基于步骤203所得到的婴儿的骨架特征序列,上述执行主体可以将婴儿的骨架特征序列输入至预先训练的心理状态预测模型,从而得到婴儿的心理状态信息。这里,婴儿的心理状态可以包括但不限于高兴、烦躁、好奇、恐惧、不舒服、饿、冷、痒等。婴儿的心理状态信息可以是婴儿的具体心理状态,也可以是各种心理状态的置信度。每种心理状态的置信度可以用于表征心理状态预测模型预测出的该种心理状态的可能性或概率。
在本实施例中,心理状态预测模型可以用于预测婴儿的心理状态信息,表征婴儿的骨架特征序列和婴儿的心理状态信息之间的对应关系。
在本实施例的一些可选的实现方式中,心理状态预测模型可以是本领域技术人员对大量样本婴儿的骨架特征序列和婴儿的心理状态信息进行统计分析,而得到的存储有多个样本婴儿的骨架特征序列和婴儿的心理状态信息的对应关系表。此时,上述执行主体可以计算婴儿的骨架特征序列与该对应关系表中的各个样本婴儿的骨架特征序列之间的相似度,并基于相似度计算结果,从该对应关系表中查找到与该婴儿的骨架特征序列对应的婴儿的心理状态信息。例如,首先确定出与该婴儿的骨架特征序列的相似度最高的样本婴儿的骨架特征序列,然后从该对应关系表中查找出与该样本婴儿的骨架特征序列对应的样本婴儿的心理状态信息,并作为该婴儿的心理状态信息。
在本实施例的一些可选的实现方式中,心理状态信息预测模型可以是利用各种机器学习方法和训练样本对现有的机器学习模型(例如各种人工神经网络等)进行有监督训练而得到的。其中,训练样本可以包括大量样本婴儿的骨架特征序列和样本婴儿的心理状态信息。
实践中,循环神经网络是一种节点定向连接成环的人工神经网络。这种网络的本质特征是在处理单元之间既有内部的反馈连接又有前馈连接,其内部状态可以展示动态时序行为。这里,可以利用训练样本对初始循环神经网络进行训练,从而得到心理状态信息预测模型。具体地,心理状态信息预测模型可以通过如下步骤训练得到:
首先,获取对样本婴儿进行拍摄所得到的图像序列和样本婴儿的心理状态信息。
这里,样本婴儿的图像序列可以是通过支持图像连拍功能的终端设备对样本婴儿进行一次连拍所得到的多帧图像,也可以是通过支持视频拍摄功能的终端设备对样本婴儿进行拍摄所得到的视频中的多帧图像。样本婴儿的心理状态信息可以是本领域技术人员对样本婴儿的图像序列进行分析后所预测出的心理状态信息。
然后,对样本婴儿的图像序列进行分析,得到样本婴儿的骨架特征序列。
这里,样本婴儿的骨架特征序列可以是利用第一区域定位模型和第一特征提取模型对样本婴儿的图像序列进行处理而得到的,也可以是本领域技术人员对样本婴儿的图像序列进行分析后而得到的
最后,将样本婴儿的骨架特征序列作为输入,将样本婴儿的心理状态信息作为输出,对初始循环神经网络进行训练,得到心理状态预测模型。
这里,初始循环神经网络可以是未经训练的循环神经网络或未训练完成的循环神经网络,初始循环神经网络可以设置有初始网络参数(例如不同的小随机数),网络参数在心理状态预测模型的训练过程中可以被不断地调整。直至训练出能够表征婴儿的骨架特征序列和婴儿的心理状态信息之间的对应关系的心理状态预测模型为止。
继续参见图3,图3是根据本实施例的用于生成提示信息的应用场景的一个示意图。在图3的应用场景中,首先,用户利用手机拍摄婴儿的视频,并将婴儿的视频上传至服务器中,具体可以如301所示;而后,服务器将婴儿的视频中的每帧图像依次输入至第一区域定位模型,得到婴儿的骨架图像区域序列;之后,服务器将婴儿的骨架图像区域序列中的骨架图像区域输入至第一特征提取模型,得到婴儿的骨架特征序列;然后服务器将婴儿的骨架特征序列输入至心理状态预测模型,得到婴儿的心理状态信息;最后,服务器将婴儿的心理状态信息发送至用户的手机,用户的手机的屏幕上可以展示婴儿的心理状态信息。具体可以如302所示,所展示的心理状态信息可以是“宝宝饿了”。
本申请实施例提供的用于生成信息的方法,通过将对婴儿进行拍摄所得到的图像序列中的图像依次输入至预先训练的第一区域定位模型,从而得到婴儿的骨架图像区域序列;然后将婴儿的骨架图像区域序列中的骨架图像区域依次输入至预先训练的第一特征提取模型,从而得到婴儿的骨架特征序列;最后将婴儿的骨架特征序列输入至预先训练的心理状态预测模型,从而得到婴儿的心理状态信息。利用第一区域定位模型定位出婴儿的骨架图像区域,利用第一特征提取模型提取婴儿的骨架特征,利用心理状态预测模型确定婴儿的心理状态信息,提高了对婴儿的心理状态信息的预测准确度。
进一步参考图4,其示出了根据本申请的用于生成信息的方法的又一个实施例的流程400。该用于生成信息的方法,包括以下步骤:
步骤401,获取对婴儿进行拍摄所得到的图像序列。
步骤402,将图像序列中的图像依次输入至预先训练的第一区域定位模型,得到婴儿的骨架图像区域序列;
步骤403,基于婴儿的骨架图像区域序列和预先训练的第一特征提取模型,得到婴儿的骨架特征序列。
在本实施例中,步骤401-403的具体操作与图2所示的实施例中步骤201-203的操作基本相同,在此不再赘述。
步骤402',将图像序列中的图像依次输入至预先训练的第二区域定位模型,得到婴儿的脸图像区域序列。
在本实施例中,基于步骤401所获取的图像序列,上述执行主体可以将图像序列中的图像依次输入至预先训练的第二区域定位模型,从而得到婴儿的脸图像区域序列。
在本实施例中,第二区域定位模型可以用于对婴儿的图像中的婴儿的脸图像区域进行定位,表征婴儿的图像和婴儿的脸图像区域之间的对应关系。
需要说明的是,第二区域定位模型可以是利用各种机器学习方法和训练样本对现有的机器学习模型(例如各种人工神经网络等)进行有监督训练而得到的。这里,训练样本可以包括大量样本婴儿的图像和样本婴儿的图像的脸图像区域标注结果。第二区域定位模型的训练方式与图2中的步骤202中的第一区域定位模型的训练方式类似,此处不再赘述。
步骤403',将婴儿的脸图像区域序列中的脸图像区域依次输入至预先训练的第二特征提取模型,得到婴儿的脸特征序列。
在本实施例中,基于步骤402'所得到的婴儿的脸图像区域序列,上述执行主体可以将婴儿的脸图像区域序列中的脸图像区域依次输入至第二特征提取模型,从而得到婴儿的脸特征序列。这里,婴儿的脸特征可以是用于对脸图像区域中的脸进行描述的信息,包括但不限于与人脸相关的各种基本要素(例如表情、位置、纹理、线条、颜色等)。通常,脸特征可以用多维向量来表示。
在本实施例中,第二特征提取模型可以用于对婴儿的脸图像区域的特征进行提取,表征婴儿的脸图像区域和婴儿的脸特征之间的对应关系。
需要说明的是,第二特征提取模型可以是利用各种机器学习方法和训练样本对现有的机器学习模型(例如各种人工神经网络等)进行有监督训练而得到的。这里,训练样本可以包括大量样本婴儿的脸图像和样本婴儿的脸特征。第二特征提取模型的训练方式与图2中的步骤203中的第一特征提取模型的训练方式类似,此处不再赘述。
步骤404,将婴儿的骨架特征序列和婴儿的脸特征序列进行合并,得到合并特征序列。
在本实施例中,基于步骤403所得到的婴儿的骨架特征序列和步骤403'所得到的婴儿的脸特征序列,上述执行主体可以将婴儿的骨架特征序列和婴儿的脸特征序列进行合并,从而得到合并特征序列。通常,骨架特征和脸特征可以用多维向量来表示。例如,骨架特征可以是512维的向量,脸特征也可以是512维的向量,对于从同一帧图像中提取出的婴儿的骨架特征和脸特征,上述执行主体可以将婴儿的骨架特征和脸特征合并成一个1024维的向量,作为合并特征。
步骤405,将合并特征序列输入至预先训练的心理状态预测模型,得到婴儿的心理状态信息。
在本实施例中,基于步骤404所得到的合并特征序列,上述执行主体可以将合并特征序列输入至预先训练的心理状态预测模型,从而得到婴儿的心理状态信息。
在本实施例中,心理状态预测模型可以用于预测婴儿的心理状态信息,表征合并特征序列和婴儿的心理状态信息之间的对应关系。
需要说明的是,心理状态信息预测模型可以是利用各种机器学习方法和训练样本对现有的机器学习模型(例如各种人工神经网络等)进行有监督训练而得到的。这里,训练样本可以包括大量样本婴儿的合并特征序列和样本婴儿的心理状态信息。心理状态预测模型的训练方式与图2中的步骤204中的心理状态预测模型的训练方式类似,此处不再赘述。
从图4中可以看出,与图2对应的实施例相比,本实施例中的用于生成信息的方法的流程400增加了对脸图像区域进行定位和对脸特征进行提取的步骤。由此,本实施例描述的方案中心理状态预测模型的输入不仅包括骨架特征序列,还包括脸特征序列,结合骨架特征序列和脸特征序列,进一步提高了心理状态信息的预测准确度。
进一步参考图5,其示出了根据本申请的用于生成信息的方法的另一个实施例的流程500。该用于生成信息的方法,包括以下步骤:
步骤501,获取对婴儿进行拍摄所得到的图像序列和对婴儿发出的声音进行录制所得到的音频。
在本实施例中,用于生成信息的方法的执行主体(例如图1所示的服务器105)可以通过有线连接方式或者无线连接方式从终端设备(例如图1所示的终端设备101、102、103)获取对婴儿进行拍摄所得到的图像序列和对婴儿发出的声音进行录制所得到的音频。这里,可以通过支持视频拍摄功能的终端设备对婴儿进行拍摄得到视频,视频中的多帧图像是对婴儿进行拍摄所得到的图像序列,视频中的音频是对婴儿发出的声音进行录制所得到的音频。
步骤502,将图像序列中的图像依次输入至预先训练的第一区域定位模型,得到婴儿的骨架图像区域序列。
步骤503,基于婴儿的骨架图像区域序列和预先训练的第一特征提取模型,得到婴儿的骨架特征序列。
步骤502',将图像序列中的图像依次输入至预先训练的第二区域定位模型,得到婴儿的脸图像区域序列。
步骤503',将婴儿的脸图像区域序列中的脸图像区域依次输入至预先训练的第二特征提取模型,得到婴儿的脸特征序列。
在本实施例中,步骤502-503和502'-503'的具体操作与图4所示的实施例中步骤402-403和402'-403'的操作基本相同,在此不再赘述。
步骤502〃,从音频中提取婴儿的音频特征序列。
在本实施例中,基于步骤501所获取的音频,上述执行主体可以对音频进行分析,从音频中提取出婴儿的音频特征序列。其中,婴儿的音频特征可以是用于对音频片段中的声音进行描述的信息,包括但不限于与声音相关的各种基本要素(例如笑、哭、闹、尖叫等)。例如,对婴儿进行拍摄所得到的图像序列是一个120帧的图像,对婴儿发出的声音进行录制所得到的音频是一个5秒的音频,这里可以将其等割成120个音频片段,并对各个音频片段进行分析,从而得到各个音频片段中的婴儿的音频特征。
步骤504,将婴儿的骨架特征序列、婴儿的脸特征序列和婴儿的音频特征序列进行合并,得到合并特征序列。
在本实施例中,基于步503所得到的婴儿的骨架特征序列、步骤503'所得到的婴儿的脸特征序列和步骤502〃所得到的婴儿的音频特征序列,上述执行主体可以将婴儿的骨架特征序列、婴儿的脸特征序列和婴儿的音频特征序列进行合并,从而得到合并特征序列。通常,骨架特征、脸特征和音频特征可以用多维向量表示。例如,骨架特征可以是512维的向量,脸特征也可以是512维的向量,音频特征可以是128维的向量,上述执行主体可以将婴儿的骨架特征、脸特征和音频特征合并成一个1152维的向量,作为合并特征。
步骤505,将合并特征序列输入至预先训练的心理状态预测模型,得到婴儿的心理状态信息。
在本实施例中,基于步骤504所得到的合并特征序列,上述执行主体可以将合并特征序列输入至预先训练的心理状态预测模型,从而得到婴儿的心理状态信息。在本实施例中,心理状态预测模型可以用于预测婴儿的心理状态信息,表征合并特征序列和婴儿的心理状态信息之间的对应关系。
需要说明的是,心理状态信息预测模型可以是利用各种机器学习方法和训练样本对现有的机器学习模型(例如各种人工神经网络等)进行有监督训练而得到的。其中,训练样本可以包括大量样本婴儿的合并特征序列和样本婴儿的心理状态信息。心理状态预测模型的训练方式与图4中的步骤405中的心理状态预测模型的训练方式类似,此处不再赘述。
从图5中可以看出,与图2对应的实施例相比,本实施例中的用于生成信息的方法的流程500增加了对脸特征进行提取和对音频特征进行提取的步骤。由此,本实施例描述的方案中心理状态预测模型的输入不仅包括骨架特征序列,还包括脸特征序列和音频特征序列,结合骨架特征序列、脸特征序列和音频特征序列,进一步提高了心理状态信息的预测准确度。
进一步参考图6,作为对上述各图所示方法的实现,本申请提供了一种用于生成信息的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图6所示,本实施例的用于生成信息的装置600可以包括:图像序列获取单元601、骨架图像区域定位单元602、骨架特征提取单元603和信息生成单元604。其中,图像序列获取单元601,配置用于获取对婴儿进行拍摄所得到的图像序列;骨架图像区域定位单元602,配置用于将图像序列中的图像依次输入至预先训练的第一区域定位模型,得到婴儿的骨架图像区域序列;骨架特征提取单元603,配置用于基于婴儿的骨架图像区域序列和预先训练的第一特征提取模型,得到婴儿的骨架特征序列;信息生成单元604,配置用于将婴儿的骨架特征序列输入至预先训练的心理状态预测模型,得到婴儿的心理状态信息。
在本实施例中,用于生成信息的装置600中图像序列获取单元601、骨架图像区域定位单元602、骨架特征提取单元603和信息生成单元604的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202、步骤203和步骤204的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,骨架特征提取单元603可以包括:骨架图像区域去噪子单元(图中未示出),配置用于对婴儿的骨架图像区域序列中的骨架图像区域进行去噪处理,得到去噪处理后的骨架图像区域序列;骨架特征提取子单元(图中未示出),配置用于将去噪处理后的骨架图像区域序列中的骨架图像区域依次输入至预先训练的第一特征提取模型,得到婴儿的骨架特征序列。
在本实施例的一些可选的实现方式中,用于生成信息的装置600还可以包括:脸图像区域定位单元(图中未示出),配置用于将图像序列中的图像依次输入至预先训练的第二区域定位模型,得到婴儿的脸图像区域序列;脸特征提取单元(图中未示出),配置用于将婴儿的脸图像区域序列中的脸图像区域依次输入至预先训练的第二特征提取模型,得到婴儿的脸特征序列;信息生成单元604可以包括:特征合并子单元(图中未示出),配置用于将婴儿的骨架特征序列和婴儿的脸特征序列进行合并,得到合并特征序列;信息生成子单元(图中未示出),配置用于将合并特征序列输入至预先训练的心理状态预测模型,得到婴儿的心理状态信息。
在本实施例的一些可选的实现方式中,用于生成信息的装置600还可以包括:音频获取单元(图中未示出),配置用于获取对婴儿发出的声音进行录制所得到的音频;音频特征提取单元(图中未示出),配置用于从音频中提取婴儿的音频特征序列;特征合并子单元可以进一步配置用于:将婴儿的骨架特征序列、婴儿的脸特征序列和婴儿的音频特征序列进行合并,得到合并特征序列。
在本实施例的一些可选的实现方式中,图像序列可以是对婴儿进行一次连拍所得到的多帧图像,或者图像序列可以是对婴儿进行拍摄所得到的视频中的多帧图像。
在本实施例的一些可选的实现方式中,第一区域定位模型可以通过如下步骤训练得到:获取样本婴儿的骨架图像和样本婴儿的骨架图像的标注结果;将样本婴儿的骨架图像作为输入,将样本婴儿的骨架图像的标注结果作为输出,对初始卷积神经网络进行训练,得到第一区域定位模型。
在本实施例的一些可选的实现方式中,心理状态预测模型可以通过如下步骤训练得到:获取对样本婴儿进行拍摄所得到的图像序列和样本婴儿的心理状态信息;对样本婴儿的图像序列进行分析,得到样本婴儿的骨架特征序列;将样本婴儿的骨架特征序列作为输入,将样本婴儿的心理状态信息作为输出,对初始循环神经网络进行训练,得到心理状态预测模型。
下面参考图7,其示出了适于用来实现本申请实施例的电子设备的计算机系统700的结构示意图。图7示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图7所示,计算机系统700包括中央处理单元(CPU)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有系统700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件连接至I/O接口705:包括键盘、鼠标等的输入部分706;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707;包括硬盘等的存储部分708;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器710上,以便于从其上读出的计算机程序根据需要被安装入存储部分708。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分709从网络上被下载和安装,和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,所述程序设计语言包括面向目标的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括图像序列获取单元、骨架图像区域定位单元、骨架特征提取单元和信息生成单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,图像序列获取单元还可以被描述为“获取对婴儿进行拍摄所得到的图像序列的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取对婴儿进行拍摄所得到的图像序列;将图像序列中的图像依次输入至预先训练的第一区域定位模型,得到婴儿的骨架图像区域序列;基于婴儿的骨架图像区域序列和预先训练的第一特征提取模型,得到婴儿的骨架特征序列;将婴儿的骨架特征序列输入至预先训练的心理状态预测模型,得到婴儿的心理状态信息。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (12)
1.一种用于生成信息的方法,包括:
获取对婴儿进行拍摄所得到的图像序列;
将所述图像序列中的图像依次输入至预先训练的第一区域定位模型,得到所述婴儿的骨架图像区域序列;其中,所述第一区域定位模型通过如下步骤训练得到:获取样本婴儿的图像和所述样本婴儿的图像的骨架图像区域的标注结果;将所述样本婴儿的图像作为输入,将所述样本婴儿的图像的骨架图像区域的标注结果作为输出,对初始卷积神经网络进行训练,得到所述第一区域定位模型;
基于所述婴儿的骨架图像区域序列和预先训练的第一特征提取模型,得到所述婴儿的骨架特征序列;
将所述婴儿的骨架特征序列输入至预先训练的心理状态预测模型,得到所述婴儿的心理状态信息;
在所述获取对婴儿进行拍摄所得到的图像序列之后,还包括:
将所述图像序列中的图像依次输入至预先训练的第二区域定位模型,得到所述婴儿的脸图像区域序列;将所述婴儿的脸图像区域序列中的脸图像区域依次输入至预先训练的第二特征提取模型,得到所述婴儿的脸特征序列;
以及所述将所述婴儿的骨架特征序列输入至预先训练的心理状态预测模型,得到所述婴儿的心理状态信息,包括:
将所述婴儿的骨架特征序列和所述婴儿的脸特征序列进行合并,得到合并特征序列;将所述合并特征序列输入至预先训练的心理状态预测模型,得到所述婴儿的心理状态信息。
2.根据权利要求1所述的方法,其中,所述基于所述婴儿的骨架图像区域序列和预先训练的第一特征提取模型,得到所述婴儿的骨架特征序列,包括:
对所述婴儿的骨架图像区域序列中的骨架图像区域进行去噪处理,得到去噪处理后的骨架图像区域序列;
将所述去噪处理后的骨架图像区域序列中的骨架图像区域依次输入至预先训练的第一特征提取模型,得到所述婴儿的骨架特征序列。
3.根据权利要求1所述的方法,其中,所述方法还包括:
获取对所述婴儿发出的声音进行录制所得到的音频;
从所述音频中提取所述婴儿的音频特征序列;以及
所述将所述婴儿的骨架特征序列和所述婴儿的脸特征序列进行合并,得到合并特征序列,包括:
将所述婴儿的骨架特征序列、所述婴儿的脸特征序列和所述婴儿的音频特征序列进行合并,得到合并特征序列。
4.根据权利要求1所述的方法,其中,所述图像序列是对所述婴儿进行一次连拍所得到的多帧图像,或者所述图像序列是对所述婴儿进行拍摄所得到的视频中的多帧图像。
5.根据权利要求1所述的方法,其中,所述心理状态预测模型通过如下步骤训练得到:
获取对样本婴儿进行拍摄所得到的图像序列和所述样本婴儿的心理状态信息;
对所述样本婴儿的图像序列进行分析,得到所述样本婴儿的骨架特征序列;
将所述样本婴儿的骨架特征序列作为输入,将所述样本婴儿的心理状态信息作为输出,对初始循环神经网络进行训练,得到心理状态预测模型。
6.一种用于生成信息的装置,包括:
图像序列获取单元,配置用于获取对婴儿进行拍摄所得到的图像序列;
骨架图像区域定位单元,配置用于将所述图像序列中的图像依次输入至预先训练的第一区域定位模型,得到所述婴儿的骨架图像区域序列;其中,所述第一区域定位模型通过如下步骤训练得到:获取样本婴儿的图像和所述样本婴儿的图像的骨架图像区域的标注结果;将所述样本婴儿的图像作为输入,将所述样本婴儿的图像的骨架图像区域的标注结果作为输出,对初始卷积神经网络进行训练,得到第一区域定位模型;
骨架特征提取单元,配置用于基于所述婴儿的骨架图像区域序列和预先训练的第一特征提取模型,得到所述婴儿的骨架特征序列;
信息生成单元,配置用于将所述婴儿的骨架特征序列输入至预先训练的心理状态预测模型,得到所述婴儿的心理状态信息;
脸图像区域定位单元,配置用于将所述图像序列中的图像依次输入至预先训练的第二区域定位模型,得到所述婴儿的脸图像区域序列;
脸特征提取单元,配置用于将所述婴儿的脸图像区域序列中的脸图像区域依次输入至预先训练的第二特征提取模型,得到所述婴儿的脸特征序列;
以及所述信息生成单元包括:
特征合并子单元,配置用于将所述婴儿的骨架特征序列和所述婴儿的脸特征序列进行合并,得到合并特征序列;
信息生成子单元,配置用于将所述合并特征序列输入至预先训练的心理状态预测模型,得到所述婴儿的心理状态信息。
7.根据权利要求6所述的装置,其中,所述骨架特征提取单元包括:
骨架图像区域去噪子单元,配置用于对所述婴儿的骨架图像区域序列中的骨架图像区域进行去噪处理,得到去噪处理后的骨架图像区域序列;
骨架特征提取子单元,配置用于将所述去噪处理后的骨架图像区域序列中的骨架图像区域依次输入至预先训练的第一特征提取模型,得到所述婴儿的骨架特征序列。
8.根据权利要求6所述的装置,其中,所述装置还包括:
音频获取单元,配置用于获取对所述婴儿发出的声音进行录制所得到的音频;
音频特征提取单元,配置用于从所述音频中提取所述婴儿的音频特征序列;以及
所述特征合并子单元进一步配置用于:
将所述婴儿的骨架特征序列、所述婴儿的脸特征序列和所述婴儿的音频特征序列进行合并,得到合并特征序列。
9.根据权利要求6所述的装置,其中,所述图像序列是对所述婴儿进行一次连拍所得到的多帧图像,或者所述图像序列是对所述婴儿进行拍摄所得到的视频中的多帧图像。
10.根据权利要求6所述的装置,其中,训练 所述心理状态预测模型通过如下步骤训练得到:
获取对样本婴儿进行拍摄所得到的图像序列和所述样本婴儿的心理状态信息;
对所述样本婴儿的图像序列进行分析,得到所述样本婴儿的骨架特征序列;
将所述样本婴儿的骨架特征序列作为输入,将所述样本婴儿的心理状态信息作为输出,对初始循环神经网络进行训练,得到心理状态预测模型。
11.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
12.一种计算机可读介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810258967.8A CN108460364B (zh) | 2018-03-27 | 2018-03-27 | 用于生成信息的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810258967.8A CN108460364B (zh) | 2018-03-27 | 2018-03-27 | 用于生成信息的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108460364A CN108460364A (zh) | 2018-08-28 |
CN108460364B true CN108460364B (zh) | 2022-03-11 |
Family
ID=63237615
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810258967.8A Active CN108460364B (zh) | 2018-03-27 | 2018-03-27 | 用于生成信息的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108460364B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109509484A (zh) * | 2018-12-25 | 2019-03-22 | 科大讯飞股份有限公司 | 一种婴儿啼哭原因的预测方法及装置 |
CN109919090A (zh) * | 2019-03-06 | 2019-06-21 | 百度在线网络技术(北京)有限公司 | 用于推送信息的方法和装置 |
CN109887077B (zh) * | 2019-03-07 | 2022-06-03 | 百度在线网络技术(北京)有限公司 | 用于生成三维模型的方法和装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101464952A (zh) * | 2007-12-19 | 2009-06-24 | 中国科学院自动化研究所 | 基于轮廓的异常行为识别方法 |
CN101877056A (zh) * | 2009-12-21 | 2010-11-03 | 北京中星微电子有限公司 | 人脸表情识别方法及系统、表情分类器的训练方法及系统 |
CN102831447A (zh) * | 2012-08-30 | 2012-12-19 | 北京理工大学 | 多类别面部表情高精度识别方法 |
CN103218624A (zh) * | 2013-04-25 | 2013-07-24 | 华东理工大学 | 基于生物特征的识别方法及装置 |
CN105469065A (zh) * | 2015-12-07 | 2016-04-06 | 中国科学院自动化研究所 | 一种基于递归神经网络的离散情感识别方法 |
CN105930767A (zh) * | 2016-04-06 | 2016-09-07 | 南京华捷艾米软件科技有限公司 | 一种基于人体骨架的动作识别方法 |
CN107590452A (zh) * | 2017-09-04 | 2018-01-16 | 武汉神目信息技术有限公司 | 一种基于步态与人脸融合的身份识别方法及装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107633218B (zh) * | 2017-09-08 | 2021-06-08 | 百度在线网络技术(北京)有限公司 | 用于生成图像的方法和装置 |
CN107644209A (zh) * | 2017-09-21 | 2018-01-30 | 百度在线网络技术(北京)有限公司 | 人脸检测方法和装置 |
CN107590482A (zh) * | 2017-09-29 | 2018-01-16 | 百度在线网络技术(北京)有限公司 | 信息生成方法和装置 |
CN107578034A (zh) * | 2017-09-29 | 2018-01-12 | 百度在线网络技术(北京)有限公司 | 信息生成方法和装置 |
-
2018
- 2018-03-27 CN CN201810258967.8A patent/CN108460364B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101464952A (zh) * | 2007-12-19 | 2009-06-24 | 中国科学院自动化研究所 | 基于轮廓的异常行为识别方法 |
CN101877056A (zh) * | 2009-12-21 | 2010-11-03 | 北京中星微电子有限公司 | 人脸表情识别方法及系统、表情分类器的训练方法及系统 |
CN102831447A (zh) * | 2012-08-30 | 2012-12-19 | 北京理工大学 | 多类别面部表情高精度识别方法 |
CN103218624A (zh) * | 2013-04-25 | 2013-07-24 | 华东理工大学 | 基于生物特征的识别方法及装置 |
CN105469065A (zh) * | 2015-12-07 | 2016-04-06 | 中国科学院自动化研究所 | 一种基于递归神经网络的离散情感识别方法 |
CN105930767A (zh) * | 2016-04-06 | 2016-09-07 | 南京华捷艾米软件科技有限公司 | 一种基于人体骨架的动作识别方法 |
CN107590452A (zh) * | 2017-09-04 | 2018-01-16 | 武汉神目信息技术有限公司 | 一种基于步态与人脸融合的身份识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108460364A (zh) | 2018-08-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109214343B (zh) | 用于生成人脸关键点检测模型的方法和装置 | |
CN110941990B (zh) | 基于骨骼关键点进行人体动作评估的方法和装置 | |
CN111260545B (zh) | 生成图像的方法和装置 | |
CN109145781B (zh) | 用于处理图像的方法和装置 | |
WO2020006961A1 (zh) | 用于提取图像的方法和装置 | |
US11436863B2 (en) | Method and apparatus for outputting data | |
CN111656372A (zh) | 训练神经网络模型 | |
WO2020062493A1 (zh) | 图像处理方法和装置 | |
CN112967212A (zh) | 一种虚拟人物的合成方法、装置、设备及存储介质 | |
CN108197592B (zh) | 信息获取方法和装置 | |
CN110363084A (zh) | 一种上课状态检测方法、装置、存储介质及电子 | |
CN108460364B (zh) | 用于生成信息的方法和装置 | |
CN110009059B (zh) | 用于生成模型的方法和装置 | |
CN110209658B (zh) | 数据清洗方法和装置 | |
CN108491808B (zh) | 用于获取信息的方法及装置 | |
CN108388889B (zh) | 用于分析人脸图像的方法和装置 | |
CN108509994B (zh) | 人物图像聚类方法和装置 | |
CN108229375B (zh) | 用于检测人脸图像的方法和装置 | |
CN111078940B (zh) | 图像处理方法、装置、计算机存储介质及电子设备 | |
CN111970536B (zh) | 一种基于音频生成视频的方法和装置 | |
CN112307947A (zh) | 用于生成信息的方法和装置 | |
CN113610034B (zh) | 识别视频中人物实体的方法、装置、存储介质及电子设备 | |
CN115731341A (zh) | 三维人头重建方法、装置、设备及介质 | |
CN111368668B (zh) | 三维手部识别方法、装置、电子设备及存储介质 | |
CN111260756B (zh) | 用于发送信息的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |