CN109522818A - 一种表情识别的方法、装置、终端设备及存储介质 - Google Patents

一种表情识别的方法、装置、终端设备及存储介质 Download PDF

Info

Publication number
CN109522818A
CN109522818A CN201811268476.8A CN201811268476A CN109522818A CN 109522818 A CN109522818 A CN 109522818A CN 201811268476 A CN201811268476 A CN 201811268476A CN 109522818 A CN109522818 A CN 109522818A
Authority
CN
China
Prior art keywords
probability
expression
identification
information
video sequence
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.)
Granted
Application number
CN201811268476.8A
Other languages
English (en)
Other versions
CN109522818B (zh
Inventor
孟锝斌
乔宇
彭小江
王锴
曾小星
张凯鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN201811268476.8A priority Critical patent/CN109522818B/zh
Publication of CN109522818A publication Critical patent/CN109522818A/zh
Application granted granted Critical
Publication of CN109522818B publication Critical patent/CN109522818B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/174—Facial expression recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • 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
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例适用于信息技术领域，提供了一种表情识别的方法、装置、终端设备及存储介质，所述方法包括：获取包含人脸图像的待识别的视频信息；从待识别的视频信息中分别提取多帧视频序列和音频信息；识别多帧视频序列对应的图像表情识别概率和动态表情识别概率；以及，识别音频信息对应的音频情感识别概率；基于图像表情识别概率、动态表情识别概率和音频情感识别概率，生成与待识别的视频信息中人脸图像相对应的表情识别结果。本实施例通过将音频信息作为重要的互补信息，并减少视频序列中不显著表情和质量不好的视频帧对识别带来的负面影响，关注视频帧中的显著表情，提高了视频表情识别的准确率和鲁棒性。

Description

一种表情识别的方法、装置、终端设备及存储介质
技术领域
本发明属于信息技术领域，特别是涉及一种表情识别的方法、一种表情识别的装置、一种终端设备及一种计算机可读存储介质。
背景技术
表情是人类在表达情绪及意图时使用的最强大、最自然和最普遍的信号之一，对人类表情进行识别越来越成为了各个领域的研究重点，并已经在社交机器人、医疗、驾驶员状态检测等领域有了大量的应用。
例如，在社交机器人中，机器人通过识别人类的表情可以精准理解人类的意图从而做出正确决策；在驾驶员状态检测中，通过算法检测到驾驶员的愤怒情绪后，可以命令驾驶员勒紧安全带，提高汽车制动器的反应响应性，或者在检测到驾驶员精力不集中后，发送警报提醒驾驶员，从而减少由于驾驶员精神不集中或情绪愤怒所导致的交通事故的发生。
现有的表情识别方法主要是对表情序列进行识别，通过视觉传感器采集到目标人物的视频序列后，由算法自动识别各帧视频中人脸图像的表情，从而实时输出目标人物的情感状态。但是，这种方法主要基于当前序列帧的表情作为识别结果，不仅严重依赖于该序列帧中高质量的人脸图像，而且也只是对静态的图像特征进行了识别，没有将关联的其他特征进行综合考虑，识别过程比较片面，严重影响了识别结果的准确性。
发明内容
有鉴于此，本发明实施例提供了一种表情识别的方法、装置、终端设备及存储介质，以解决现有技术中仅仅依靠静态的图像特征进行表情识别使得识别结果的准确性较低的问题。
本发明实施例的第一方面提供了一种表情识别的方法，包括：
获取包含人脸图像的待识别的视频信息；
从所述待识别的视频信息中分别提取多帧视频序列和音频信息；
识别所述多帧视频序列对应的图像表情识别概率和动态表情识别概率；以及，识别所述音频信息对应的音频情感识别概率；
基于所述图像表情识别概率、所述动态表情识别概率和所述音频情感识别概率，生成与所述待识别的视频信息中人脸图像相对应的表情识别结果。
本发明实施例的第二方面提供了一种表情识别的装置，包括：
获取模块，用于获取包含人脸图像的待识别的视频信息；
提取模块，用于从所述待识别的视频信息中分别提取多帧视频序列和音频信息；
第一识别模块，用于识别所述多帧视频序列对应的图像表情识别概率；
第二识别模块，用于识别所述多帧视频序列对应的动态表情识别概率；以及，
第三识别模块，用于识别所述音频信息对应的音频情感识别概率；
生成模块，用于基于所述图像表情识别概率、所述动态表情识别概率和所述音频情感识别概率，生成与所述待识别的视频信息中人脸图像相对应的表情识别结果。
本发明实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述表情识别的方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述表情识别的方法的步骤。
与背景技术相比，本发明实施例包括以下优点：
本发明实施例，通过获取包含人脸图像的待识别的视频信息，并从上述待识别的视频信息中分别提取多帧视频序列和音频信息，然后分别针对多帧视频序列识别对应的图像表情识别概率和动态表情识别概率，针对音频信息识别对应的音频情感识别概率，从而可以基于上述图像表情识别概率、动态表情识别概率和音频情感识别概率，生成与待识别的视频信息中人脸图像相对应的表情识别结果。本实施例通过将音频信息作为重要的互补信息，并通过减少视频序列中不显著表情和质量不好的视频帧对识别带来的负面影响，关注视频帧中的显著表情，提高了表情识别的准确率；其次，本实施例还采用视频帧特征统计量代表视频表情特征，从而可以挖掘更多的视频表情信息，有助于提高视频表情识别的准确率和鲁棒性；第三，本实施例采用传统手工特征作为深度学习特征的补充，充分利用两种特征的互补性进一步提高了视频表情识别的准确率和鲁棒性；第四，本实施例采用多种动态建模方法对人脸表情动态变化建模，有别于现有方法往往只用一种动态建模方式，更进一步地提高了视频表情识别的准确率和鲁棒性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一个实施例的一种表情识别的方法的步骤流程示意图；
图2是本发明一个实施例的关键点转换过程的示意图；
图3是本发明一个实施例的表情识别的原理图；
图4(a)是本发明一个实施例的第一层视觉注意力机制的原理图；
图4(b)是本发明一个实施例的第二层视觉注意力机制的原理图；
图5是本发明一个实施例的一种生成特征统计量的示意图；
图6是本发明一个实施例的三维正交平面的局部二值模型的原理图；
图7是本发明一个实施例的一种表情识别的装置的示意图；
图8是本发明一个实施例的一种终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域技术人员应当清楚，在没有这些具体细节的其他实施例中也可以实现本发明。在其他情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
下面通过具体实施例来说明本发明的技术方案。
参照图1，示出了本发明一个实施例的一种表情识别的装置方法的步骤流程示意图，具体可以包括如下步骤：
S101、获取包含人脸图像的待识别的视频信息；
需要说明的是，本方法可以应用于各类终端设备中。例如，手机、平板电脑等移动终端设备，或者台式电脑等非移动终端设备中，本实施例对终端设备的具体类型不作限定。
另一方面，本方法可以针对真实场景中的人脸图像所体现的表情进行识别，上述真实场景中的人脸图像可以是指在真实的生活场景中采集到的人脸图像，而非在实验室场景下采集的人脸图像。该人脸图像可以是某一段动态的视频中的人脸图像序列，而不是某张静止的人脸图片或照片。
因此，本方法可以应用在任何以视频流输入的情感识别或表情识别的场景或领域中。例如，社交机器人、在线教学、侦查审讯、驾驶员状态监测、医疗诊断等等，本实施例对本方法的具体应用场景或应用领域不作限定。
在本发明实施例中，为了对视频信息中的人脸图像所体现的表情进行识别，首先可以获取到一段包含人脸图像的视频信息，该视频信息可以是当前实时录制或拍摄的，也可以在之前一段时间提前录制或拍摄好的，本实施例对此不作限定。
S102、从所述待识别的视频信息中分别提取多帧视频序列和音频信息；
通常，针对视频或静止的图像进行表情识别或情感识别最核心的区别并非是数据源来自于视频还是图像，而是在采用算法建模时究竟是将每一帧图像孤立地考虑还是将多帧图像联合起来一起考虑。而目前对人脸图像的表情识别一般是将静止的图像孤立地进行分析和处理，其得到的识别结果比较片面。例如，对于某张人脸图像中所体现的表情，在采用孤立地分析处理时，其识别结果可能是惊讶，也可能是恐惧。而在将该人脸图像的前后帧图像结合在一起考虑时，就能够比较准确地确定究竟是惊讶还是恐惧。因此，将多帧图像综合起来考虑能够明显地提高表情识别的准确率。
另一方面，对于视频中的人脸图像，结合视频中的同步音频，也能够进一步地提供更多的补充信息，从而对惊讶或恐惧的表情做出更准确的判断。
因此，在本发明实施例中，在对视频中的人脸图像进行表情识别时，可以针对人脸图像和音频信息分别进行处理，然后在最终识别时将二者的识别结果进行融合，从而获得一个更为准确的表情识别结果。
在具体实现中，可以采用特定的视频处理工具将待识别的视频信息拆分为视频序列和同步的音频序列，上述视频序列可以包括多帧视频序列，每帧视频序列中都应当包括对应的人脸图像。
在本发明实施例中，可以采用FFmpeg(Fast Forward Mpeg，一种多媒体视频处理工具)将一段视频拆分为多帧视频序列和同步的音频序列。
FFmpeg是一套可以用来记录、转换数字音频、视频，并能将其转化为流的开源计算机程序。FFmpeg提供了录制、转换以及流化音视频的完整解决方案，包含了非常先进的音频/视频编解码库libavcodec。
当然，以上描述仅为一种示例，本领域技术人员可以根据实际需要采用其他方式或工具将待识别的视频信息拆分为视频序列和音频信息，本实施例对此不作限定。
需要说明的是，由于在后续的识别中，视频序列和音频信息是分别进行处理的，所以无需保证每一时刻的音频信息和视频序列之间的对应关系，在融合时，只要确认所识别的音频信息是当前的视频信息中的音频即可。
通常，视频帧中的人脸不总是正对着用户的。在本发明实施例中，为了减少视频序列中不同人脸图像中人脸所呈现的姿势角度对后续识别算法的干扰，在将视频信息拆分为视频序列和音频信息后，还可以采用统一的方法将各帧视频序列中的人脸进行对齐。
在具体实现中，可以分别确定多帧视频序列中人脸图像的多个关键点，然后采用预设模板对上述多帧视频序列进行转换，使转换后的多帧视频序列中的多个关键点分别与该预设模板中的多个目标点相对应。
在本发明实施例中，上述多个关键点可以是每帧视频序列的人脸图像中的左右双眼、鼻尖以及左右嘴角等五个关键点。当然，本领域技术人员可以根据实际需要确定关键点的数量及具体位置，例如，也可以只选定左右双眼及左右嘴角这四个关键点，本实施例对关键点的数量及位置的选择不作限定。
如图2所示，是本发明一个实施例的关键点转换过程的示意图。在图2中，针对某帧视频序列中的某位女士的人脸图像，可以首先确定该女士人脸中的五个关键点，然后采用包含相同五个关键点的模板进行仿射变换，从而得到一个将人脸转正后的图像。
仿射变换是一种复合变换，可以包括对图像的平移、缩放、旋转、翻转及剪切变换等等，经过这种复合变换，可以将任意角度的人脸图像转正。通过将各帧视频序列中的人脸转正，可以减少后续表情识别时由于角度差异对识别结果带来的误差。
S103、识别所述多帧视频序列对应的图像表情识别概率和动态表情识别概率；
在本发明实施例中，在将视频序列中的人脸对齐后，可以对上述视频序列进行表情识别。
如图3所示，是本发明一个实施例的表情识别的原理图。在图3中，在将视频信息拆分成视频序列和同步的音频信息，并对视频序列中的人脸进行对齐等预处理后，可以分别对视频序列和音频信息进行识别，待识别完成后，可以对多种识别结果进行融合处理，从而得到对应于该视频信息的某种表情。
在本发明实施例中，在对视频序列进行识别时，可以包括两部分，即基于图片的表情识别和表情动态建模。上述两部分的识别结果可以对应于图像表情识别概率和动态表情识别概率。
需要说明的是，无论是在对视频序列进行识别，还是在对音频信息进行识别时，得到的识别结果均是一种概率分布，上述概率分布可以表示将视频序列或音频信息识别为每一种表情的概率大小。
如图3所示，在本发明实施例中，基于图片的表情识别又可以包括基于视觉注意力机制的人脸图像的表情识别，和基于视频序列中人脸图像的特征统计量建模两种类型。因此，相应的结果可以包括视觉注意力识别概率和视频特征统计量识别概率两种。
在本发明实施例中，在对视频序列进行识别时，首先可以分别提取上述多帧视频序列中人脸图像的特征信息，然后通过确定多帧视频序列中人脸图像的融合特征，进而采用上述融合特征生成多帧视频序列的情感识别概率。上述多帧视频序列中人脸图像的特征信息可以以对应的特征向量的形式体现。
在具体实现中，可以使用CNN(Convolutional Neural Network，卷积神经网络模型)模型中的VGGFace(一种被训练用作人脸识别的卷积神经网络模型)网络结构和参数对视频序列中的人脸图像的特征信息进行提取。
VGGFace是一种以标准的2D卷积层(2D Convolution Layer)、池化层(PoolingLayer)、全连接层(Fully connected Layer)、ReLU激活层和SoftMax分类器构造的网络结构。其中，卷积层通过对人脸图像进行滤波，将人脸图像变为特征图作为人脸的特征；池化层通过对特征图的下采样生成更小尺寸的特征图，减少空间中的冗余信息；ReLU激活层可以对特征进行非线性映射，从而给网络带来更强的非线性建模能力，以拟合人脸表情的分布。在VGGFace网络结构中，卷积层和池化层重复堆叠，网络中间2D卷积层和池化层输出的特征图和全连接层输出的特征向量可以作为不同抽象程度的人脸表情特征。
在本发明实施例中，在训练VGGFace的过程中，可以采用多次Domain Adaptation(域适配)的策略强化网络提取特征的情感判别能力。
首先，基于人脸表情是由人脸特征构成的事实，可以采用人脸识别数据训练VGGFace网络，当VGGFace具有较强的人脸识别能力后，可以采用第一次Domain Adaptation的策略将VGGFace在静态图片表情数据库如FER2013上作finetune(微调)。经过实验分析，在人脸数据库预训练过的VGGFace比直接在表情数据库上训练得到的VGGFace具有更强的表情判别能力，这证明了一个好的人脸特征表达对识别人脸表情也有帮助。由于本实施例的目的是识别视频序列的表情而不是静态图片表情，所以可以继续采用第二次DomainAdaptation策略。基于视频序列相似性和冗余性的特点，第二次Domain Adaptation策略时可以采用新的策略，固定VGGFace网络大多数底层参数使其不改变，用视频表情数据库如AFEW只训练网络后几层分类器参数。这种方案既保留了在图片数据中得到的情感判别能力，又学习了视频序列数据的表情特点，处理了视频序列帧冗余信息的问题。
在提取出视频序列的特征后，通过确定多帧视频序列中人脸图像的特征信息对应的特征向量的初始权重，再根据初始权重，确定多帧视频序列中人脸图像的加权融合特征，通过将加权融合特征和原始特征级联后，学习得到该级联特征的目标权重，进而根据得到的初始权重和目标权重确定视觉注意力机制加权融合特征，将该视觉注意力机制加权融合特征经过SoftMax分类器分类后可以得到多帧视频序列的视觉注意力识别概率，上述视觉注意力识别概率即是视觉注意力机制的识别结果。
通常，视觉注意力机制的表情识别包括两个难点。一是视频序列中的人脸图像因为运动、姿态或者本身视频帧的清晰度等因素可能会对表情识别造成干扰，二是由于视频信息中的人脸是运动的，由于视频序列中的人脸图像具有不同的显著程度，使得表情不明显的视频帧加大了表情识别的难度。如果视频序列中存在表情不明显或很难看清楚表情的视频帧，这些帧的表情特征的判别力就会很差，在将视频帧的特征融合为视频特征时，这些低质量帧的特征就会破坏视频特征的判别能力。
因此，在本发明实施例中，为了在融合过程中减少低质量视频帧的特征信息的影响，提出视觉注意力机制让算法赋予图像质量好、表情明显的视频帧更大的权重，赋予图像质量不好、表情不明显的视频帧更低的权重，这样融合后的视频特征就可以获得更好的表情识别能力。
在本发明实施例中，可以采用两层视觉注意力机制来确定本过程。首先，可以采用第一预设向量与多帧视频序列中人脸图像的特征信息进行运算，获得多帧视频序列的初始权重值，在对上述初始权重值作归一化处理后，可以采用归一化后的初始权重值，对上述多帧视频序列中人脸图像的特征信息加权求和，从而得到加权融合特征。在此基础上，可以分别将多帧视频序列中人脸图像的特征信息与上述加权融合特征级联，获得级联后的特征信息，并采用上述第二预设向量与该级联后的特征信息进行运算，获得多帧视频序列的目标权重值，在对目标权重值作归一化处理后，可以采用归一化后的目标权重值，对级联后的特征信息加权求和，从而得到多帧视频序列的视觉注意力机制加权融合特征。
如图4(a)所示，是本发明一个实施例的第一层视觉注意力机制的原理图。在具体实现中，第一层视觉注意力机制可以表示如下：
ek＝qTfk (1)
其中，fk是第k帧视频的特征信息，ek是该特征信息的权重，这个权重可以通过公式(1)中的滤波器q(即：第一预设向量)和特征信息进行运算获得。然后，可以采用sigmoid(x)函数将权重ek映射为(0，1)范围内的值，再将多帧映射后的权重通过公式(2)归一化得到ak，进而按照公式(3)将特征信息fk和其权重ak加权得到加权融合特征r0。
进一步地，如图4(b)所示，是本发明一个实施例的第二层视觉注意力机制的原理图。第二层视觉注意力机制也可以以如下公式表示：
根据公式(4)，可以将融合特征r0与特征fk的级联特征与滤波器q1(即：第二预设向量)运算得到权重ek，使用sigmoid(x)函数将权重ek映射为(0，1)范围内的值。此时，视频帧fk有两个权重，即第一层视觉注意力机制的权重ak和第二层视觉注意力机制映射后的权重sigmoid(ek)，根据公式(5)，可以将上述两个权重相乘后再做多帧权重归一化得到βk作为该视频帧的最终权重，从而可以按照公式(6)将级联后的特征信息[fk:r0]和其权重r0加权得到多帧融合特征r，也就是视觉注意力机制加权融合特征。
需要说明的是，上述两层视觉注意力机制中的参数q和q1是与fk相同维度的向量，其中qT是q的转置，相应地，q1 T是q1的转置。q和q1可以通过随机初始化两个参数的权重，利用深度学习中反向传播算法自动优化学习获得这两个参数。
在本发明实施例中，视觉注意力机制的主要目的是让网络具有视觉注意力能力，从而能对视频序列中显著表情帧赋予更高的权重，而对视频序列中不显著表情帧赋予更低的权重。但和一般的深度学习算法不同，本实施例并没有将视频序列的权重作为监督。为了学到视频序列权重，可以采用一种弱监督的方法通过学习两组视觉注意力参数，让视觉注意力参数和表情特征运算得到表情特征权重。具体地，本实施例一方面可以只给算法监督信息让正确表情类别输出概率最大化，另一方面，可以一次性输入多张人脸(例如三张)表情图片，并且在视觉注意力机制中设计一种比较机制，通过与其他表情特征进行比较引入全局的信息从而赋予视觉注意力机制更多的监督信息，经过这样的方式训练两层视觉注意力机制。
本实施例通过利用多层视觉注意力机制，一方面注意到视频序列中高质量的表情帧，并赋予其较高的权重，赋予低质量表情帧较低的权重，从而可以抑制低质量表情帧对表情识别的影响；另一方面，通过依据不同权重结合多个视频序列，比基于单个视频帧的表情识别更加稳定，准确率更高。
如图3所示，在基于图像的表情识别中的另一种识别过程则是基于视频序列中人脸图像的特征统计量建模。
通常，视频序列中人脸图像的特征统计量建模是统计多帧图像特征的统计量。通过统计特征信息，可以较好地描述视频的特征。
在具体实现中，可以首先统计多帧视频序列中人脸图像的特征信息的平均值特征向量和最大值特征向量，然后对上述平均值特征向量和最大值特征向量进行级联，从而可以生成待识别的视频信息的特征统计量信息，基于上述待识别的视频信息的特征统计量信息，可以采用预置的SVM(Support Vector Machine，支持向量机)分类器生成所述待识别的视频信息的视频特征统计量识别概率。
如图5所示，是本发明一个实施例的一种生成特征统计量的示意图。通常，对于一段视频序列，该序列中包括多少张图像就能够提取出多少个特征。在图5中，以三个特征向量为例，每个特征向量都有三个维度，上述平均值和最大值只在每个维度上进行计算。在得到平均值特征向量和最大值特征向量后，可以对上述平均值特征向量和最大值特征向量进行级联，从而将级联后获得的特征向量作为整个视频信息的特征统计量，该特征可以直接使用分类器输出相应的表情识别的概率，并在与其他识别结果对应的表情识别概率融合后，可以将融合的识别概率结果中概率最高的类别结果作为最终的表情类别。例如，对于识别的结果中，高兴的概率为0.7，悲伤的概率为0.3，那么可以将概率最高对应的高兴这一结果作为最终的表情识别结果。
在本发明实施例中，在对视频序列进行表情识别时，还可以包括基于人脸图像的运动规律来对人脸表情进行识别的过程，即动态表情识别概率的识别过程。
在本发明实施例中，可以采用多种预设模型对多帧视频序列中人脸图像的特征信息进行模型训练，从而生成待识别的视频信息的动态识别特征，该特征经过分类器处理后可以得到相应的动态表情识别概率，上述多种预设模型可以包括长短期记忆网络模型LSTM、3D卷积神经网络模型C3D和三维正交平面的局部二值模型LBPTOP。
3D卷积神经网络(3D Convolution neural network)是在2D卷积操作的基础上实现的。对于一个H*W的二维特征图，2D卷积会用k*k二维滤波器对特征图滤波得到二维输出。如果有L张H*W的特征图，2D卷积操作会有L个k*k的滤波器分别对每个特征图滤波，产生L个输出，最终L个输出相加得到唯一的二维输出。3D卷积和2D卷积不同之处在于3D卷积操作的滤波器是k*k*d的三维滤波器，其中第三个维度是人脸图像帧的时间。滤波器对所有特征图滤波，最终得到三维的输出。通过这样的操作，3D卷积神经网络可以建模表情运动规律。
长短期记忆网络LSTM(Long Short-Term Memory)是一种具有记忆单元的网络结构。LSTM的输出不仅由当前LSTM的输入决定，还与记忆单元中保存的信息和上一次LSTM输出的隐藏信息决定。在本发明实施例中，可以利用LSTM记忆之前时刻信息这一性质建模表情运动规律。具体地，LSTM具有遗忘门、输入门和输出门，其中遗忘门根据接收的隐藏信息和该时刻输入的信息决定遗忘记忆单元中哪些内容；输入门决定保存多少隐藏信息和输入信息进入记忆单元；而输出门则决定记忆单元中多少信息可以作为隐藏信息输出给下一时刻的LSTM。经过这样的操作，LSTM可以记住人脸表情的动态变化，从而建模表情变化规律，识别人脸表情。
在本发明实施例中，在进行LSTM和3D卷积神经网络这两个环节的训练时，可以通过多个视频序列学习到对人脸表情时序动态信息建模。在具体实现中，可以采用16帧视频序列建模，并用不同数据增强方式训练，包括16帧为间隔，一帧、两帧、三帧采样。以及采用两次16帧密集重叠或8帧重叠。在实验时，结果显示采用16帧连续帧、相邻16帧无重叠的方式采样，经过这样的采样方式可以发现相邻两次采样之间的冗余信息较少，网络更容易建模，表情时序动态变化可以减少网络的过拟合，且16帧连续采样的方式在测试阶段使算法对目标人脸表情识别的反应速度也更快。
LBPTOP是LBP从二维到三维的拓展，LBP是广泛使用的人脸手工特征，可以对二维人脸图像做特征提取操作。如图6所示，是本发明一个实施例的三维正交平面的局部二值模型的原理图。在图6中，给定一个图像序列(即图6中的人脸图像)，给出三个正交平面的纹理图(即图6中的三个相交平面)，X-Y就是我们正常看到的图像，X-T是每一行沿着时间轴扫描而过的纹理，Y-T是每一列沿着时间轴扫描而过的图像。简单来说，可以在这三个平面都提取LBP特征，然后把三个平面的LBP特征连接起来，就是LBPTOP。
与LBP相比，LBPTOP不仅考虑了X-Y平面的纹理信息，还考虑了X-T，Y-T的纹理信息，而X-T，Y-T的纹理信息，记录人脸表情的动态纹理，可以使用该特征识别人脸表情。
在本发明实施例中，LSTM和C3D的特征可以采用SoftMax分类器分类，而LBPTOP特征则可以采用SVM分类器进行分类。
需要说明的是，上述三种模型属于三种不同的处理方式，通过使用三种不同的处理方式对视频序列进行处理，并对处理结果进行融合，可以充分利用模型之间的互补性更准确地对视频信息中的人脸图像的表情进行识别。
S104、识别所述音频信息对应的音频识别概率；
需要说明的是，对音频信息进行识别的过程，可以是与步骤S103中对视频序列进行识别的过程同步进行的。
在本发明实施例中，可以通过采用预设音频特征集提取音频信息中的特征信息，然后基于上述音频信息中的特征信息，采用SVM分类器生成上述音频信息的音频情感识别概率。
在具体实现中，可以采用Opensmile工具(一种开源的音频特征提取工具)中的emobase2010特征集(一种音频特征集)提取音频特征。
emobase2010特征集包含1582个特征，其由34个低级描述符(LLDs)和34个相应的变量(delta)作为68个LLDs轮廓值。在此基础上，应用21个函数得到1428个特征。另外，对4个基于音高的LLD及其4个delta系数应用了19个函数得到152个特征，最后附加音高(伪音节)的数量和总数输入的持续时间(2个特征)。该特征集具有先进的情感和语言识别功能，可以用于辅助人脸表情的识别。
需要说明的是，在采用emobase2010特征集提取音频信息的特征时，是通过对音频信息提取固定长度的特征来进行的。也就是说，无论是对10秒的音频还是100秒的音频，都提取同等长度的特征。在本发明实施例中，提取特征信息时，可以得到一个1582维的特征。
S105、基于所述图像表情识别概率、所述动态表情识别概率和所述音频情感识别概率，生成与所述待识别的视频信息中人脸图像相对应的表情识别结果。
在本发明实施例中，所有环节的识别结果都是一种概率分布。即，上述视觉注意力识别概率、视频特征统计量识别概率、动态表情识别概率和音频情感识别概率都是一种概率分布。
在获得上述各种概率分布后，可以分别确定视觉注意力识别概率、视频特征统计量识别概率、动态表情识别概率和音频情感识别概率各自的权重值，上述权重值可以由人为设定。然后，采用视觉注意力识别概率、视频特征统计量识别概率、动态表情识别概率和音频情感识别概率的权重值，对上述视觉注意力识别概率、视频特征统计量识别概率、动态表情识别概率和音频情感识别概率加权求和，得到目标表情识别概率。由于目标表情识别概率分别与多种具体的表情类别相对应，例如，开心、生气、愤怒、惊喜、厌恶、恐惧，以及中性等等。因此，可以提取目标表情识别概率中最大值对应的表情类别作为待识别的视频信息中人脸图像的表情识别结果。
以对其中LSTM和视觉注意力识别机制两种结果的融合为例。若LSTM输出的识别结果为(0.5，0.2，0.3)视觉注意力识别机制输出的识别结果为(0.7，0.2，0.1)，在对上述两种识别结果进行融合时，若二者的权重均为1，则融合结果可以表示为(1.2，0.4，0.4)，相应的表情识别结果即是最大值1.2对应的表情类别，例如，可以是高兴。若二者的权重分别为2和1时，其融合结果可以表示为(1.7，0.6，0.7)，相应的表情识别结果即是最大值1.7对应的表情类别，例如，也可以是高兴。
当然，上述说明仅为一种示例，只列举了对两种识别结果的融合，在实际应用中，可以对步骤S103和S104中所识别的全部结果进行融合；另一方面，上述在融合获得表情类别时，也仅仅是以三种表情类别作为示例，在实际应用中，可以根据实际需要确定多种不同的表情类别，本实施例对此均不作限定。
在本发明实施例中，在对多个概率分布进行融合输出识别结果时，该识别结果主要输出自两类分类器。一个是SoftMax分类器输出的概率，另一个是SVW分类器输出的概率。为了更好地权衡不同分类器和不同模态的互补性，本实施例可以采用以下两个个策略分析得到不同识别结果的权重，从而将不同识别结果进行加权结合。两个策略分别是：
1、在视频序列中，可以发现人脸图像特征比同步的音频信息的特征更具判别力，而在人脸图像的特征中，高层语义性质的深度学习特征比底层手工设计特征更具有判别力。LBPTOP和音频信息的识别过程均属于手工设计特征，该特征一经固定则不再改变。但在实验中同时也发现，这三种特征之间仍然存在互补性，综合这三种特征比单一特征的判别力更强。因此，可以将上述三种特征加权相加，并赋予最具判别力的高层语义表情特征更高的权重，赋予底层手工特征和同步音频信息特征较低的权重。
2、由于识别结果融合时需要对多个概率分布进行融合，参数的调试过程非常费时。为了优化调参过程，可以依据不同识别流程的性能初始化的不同，赋予各个识别结果的权重。例如，可以赋予识别性能高的流程较大的权重，而赋予识别性能较低的流程较小的权重，从而在此基础上对调参的时间进行优化。
在本发明实施例中，通过获取包含人脸图像的待识别的视频信息，并从上述待识别的视频信息中分别提取多帧视频序列和音频信息，然后分别针对多帧视频序列识别对应的图像表情识别概率和动态表情识别概率，针对音频信息识别对应的音频情感识别概率，从而可以基于上述图像表情识别概率、动态表情识别概率和音频情感识别概率，生成与待识别的视频信息中人脸图像相对应的表情识别结果。本实施例通过将音频信息作为重要的互补信息，并通过减少视频序列中不显著表情和质量不好的视频帧对识别带来的负面影响，关注视频帧中的显著表情，提高了表情识别的准确率；其次，本实施例还采用视频帧特征统计量代表视频表情特征，从而可以挖掘更多的视频表情信息，有助于提高视频表情识别的准确率和鲁棒性；第三，本实施例采用传统手工特征作为深度学习特征的补充，充分利用两种特征的互补性进一步提高了视频表情识别的准确率和鲁棒性；第四，本实施例采用多种动态建模方法对人脸表情动态变化建模，有别于现有方法往往只用一种动态建模方式，更进一步地提高了视频表情识别的准确率和鲁棒性。
需要说明的是，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
参照图7，示出了本发明一个实施例的一种表情识别的装置的示意图，具体可以包括如下模块：
获取模块701，用于获取包含人脸图像的待识别的视频信息；
提取模块702，用于从所述待识别的视频信息中分别提取多帧视频序列和音频信息；
第一识别模块703，用于识别所述多帧视频序列对应的图像表情识别概率；
第二识别模块704，用于识别所述多帧视频序列对应的动态表情识别概率；以及，
第三识别模块705，用于识别所述音频信息对应的音频情感识别概率；
生成模块706，用于基于所述图像表情识别概率、所述动态表情识别概率和所述音频情感识别概率，生成与所述待识别的视频信息中人脸图像相对应的表情识别结果。
在本发明实施例中，所述装置还可以包括如下模块：
关键点确定模块，用于分别确定所述多帧视频序列中人脸图像的多个关键点；
关键点转换模块，用于采用预设模板对所述多帧视频序列进行转换，使转换后的所述视频序列中的多个关键点分别与所述预设模板中的多个目标点相对应。
在本发明实施例中，所述图像表情识别概可以包括视觉注意力识别概率和视频特征统计量识别概率，所述第一识别模块703具体可以包括如下子模块：
人脸图像特征信息提取子模块，用于分别提取所述多帧视频序列中人脸图像的特征信息，所述多帧视频序列中人脸图像的特征信息可以具有对应的特征向量；
初始权重确定子模块，用于确定所述多帧视频序列中人脸图像的特征信息对应的特征向量的初始权重；
加权融合特征确定子模块，用于根据所述初始权重，确定所述多帧视频序列中人脸图像的加权融合特征；
目标权重确定子模块，用于将所述加权融合特征和原始特征级连，确定级联特征的目标权重；
视觉注意力机制加权融合特征确定子模块，用于根据所述初始权重和所述目标权重确定所述多帧视频序列的视觉注意力机制加权融合特征；
视觉注意力识别概率输出子模块，用于将所述视觉注意力机制加权融合特征输入预置的分类器SoftMax确定视觉注意力识别概率；
特征向量统计子模块，用于统计所述多帧视频序列中人脸图像的特征信息的平均值特征向量和最大值特征向量；
特征统计量生成子模块，用于对所述平均值特征向量和最大值特征向量进行级联，生成所述待识别的视频信息的特征统计量；
视频特征统计量识别概率生成子模块，用于基于所述待识别的视频信息的特征统计量，采用预置的支持向量机分类器SVM生成所述待识别的视频信息的视频特征统计量识别概率；
所述第二识别模块704具体可以包括如下子模块：
动态表情识别概率生成子模块，用于采用多种预设模型对所述多帧视频序列中人脸图像的特征信息进行模型训练，生成所述待识别的视频信息的动态表情识别概率，所述多种预设模型可以包括长短期记忆网络模型LSTM、3D卷积神经网络模型C3D和三维正交平面的局部二值模型LBPTOP，搭配SoftMax分类器、SVM分类器或其他分类器实现分类。
在本发明实施例中，所述加权融合特征确定子模块具体可以包括如下单元：
初始权重确定单元，用于采用第一预设向量与所述多帧视频序列中人脸图像的特征信息进行运算，获得所述多帧视频序列的初始权重；
初始权重归一化定单元，用于对所述初始权重作归一化处理；
加权融合特征确定单元，用于采用所述归一化后的初始权重，对所述多帧视频序列中人脸图像的特征信息进行加权求和，得到所述加权融合特征。
在本发明实施例中，所述视觉注意力机制加权融合特征确定子模块具体可以包括如下单元：
级联单元，用于分别将所述多帧视频序列中人脸图像的特征信息与所述加权融合特征级联，获得级联后的特征信息；
目标权重确定单元，用于采用第二预设向量与所述级联后的特征信息进行运算，获得所述多帧视频序列的级联特征的目标权重；
目标权重归一化单元，用于对所述目标权重作归一化处理；
视觉注意力机制加权融合特征确定单元，用于采用所述归一化后的目标权重，对所述级联后的特征信息进行加权求和，得到所述多帧视频序列的视觉注意力机制加权融合特征。
视觉注意力识别概率生成单元，用于基于所述视觉注意力机制加权融合特征，采用所述预置的分类器SoftMax生成所述视频序列的视觉注意力识别概率。
在本发明实施例中，所述第三识别模块705具体可以包括如下子模块：
音频特征信息提取子模块，用于采用预设音频特征集提取所述音频信息中的特征信息；
音频情感识别概率生成子模块，用于基于所述音频信息中的特征信息，采用预设SVM分类器生成所述音频信息的音频情感识别概率。
在本发明实施例中，所述生成模块706具体可以包括如下子模块：
权重值确定子模块，用于分别确定所述视觉注意力识别概率、所述视频特征统计量识别概率、所述动态表情识别概率和所述音频情感识别概率的权重值；
目标表情识别概率确定子模块，用于采用所述视觉注意力识别概率、所述视频特征统计量识别概率、所述动态表情识别概率和所述音频情感识别概率的权重值，对所述视觉注意力识别概率、所述视频特征统计量识别概率、所述动态表情识别概率和所述音频情感识别概率进行加权求和，得到目标表情识别概率；
表情识别结果确定子模块，用于提取所述目标表情识别概率中最大值对应的表情类别作为所述待识别的视频信息中人脸图像的表情识别结果。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述得比较简单，相关之处参见方法实施例部分的说明即可。
参照图8，示出了本发明一个实施例的一种终端设备的示意图。如图8所示，本实施例的终端设备800包括：处理器810、存储器820以及存储在所述存储器820中并可在所述处理器810上运行的计算机程序821。所述处理器810执行所述计算机程序821时实现上述表情识别的方法各个实施例中的步骤，例如图1所示的步骤S101至S105。或者，所述处理器810执行所述计算机程序821时实现上述各装置实施例中各模块/单元的功能，例如图7所示模块701至705的功能。
示例性的，所述计算机程序821可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器820中，并由所述处理器810执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段可以用于描述所述计算机程序821在所述终端设备800中的执行过程。例如，所述计算机程序821可以被分割成获取模块、提取模块、第一识别模块、第二识别模块、第三识别模块和生成模块，各模块具体功能如下：
获取模块，用于获取包含人脸图像的待识别的视频信息；
提取模块，用于从所述待识别的视频信息中分别提取多帧视频序列和音频信息；
第一识别模块，用于识别所述多帧视频序列对应的图像表情识别概率；
第二识别模块，用于识别所述多帧视频序列对应的动态表情识别概率；以及，
第三识别模块，用于识别所述音频信息对应的音频情感识别概率；
生成模块，用于基于所述图像表情识别概率、所述动态表情识别概率和所述音频情感识别概率，生成与所述待识别的视频信息中人脸图像相对应的表情识别结果。
所述终端设备800可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备800可包括，但不仅限于，处理器810、存储器820。本领域技术人员可以理解，图8仅仅是终端设备800的一种示例，并不构成对终端设备800的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备800还可以包括输入输出设备、网络接入设备、总线等。
所述处理器810可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器820可以是所述终端设备800的内部存储单元，例如终端设备800的硬盘或内存。所述存储器820也可以是所述终端设备800的外部存储设备，例如所述终端设备800上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等等。进一步地，所述存储器820还可以既包括所述终端设备800的内部存储单元也包括外部存储设备。所述存储器820用于存储所述计算机程序821以及所述终端设备800所需的其他程序和数据。所述存储器820还可以用于暂时地存储已经输出或者将要输出的数据。
本领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明。实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置/终端设备的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其他实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其他的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一方面，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其他的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件完成，所述的计算机程序可存储于计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读存储介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读存储介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制。尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种表情识别的方法，其特征在于，包括：
获取包含人脸图像的待识别的视频信息；
从所述待识别的视频信息中分别提取多帧视频序列和音频信息；
识别所述多帧视频序列对应的图像表情识别概率和动态表情识别概率；以及，识别所述音频信息对应的音频情感识别概率；
基于所述图像表情识别概率、所述动态表情识别概率和所述音频情感识别概率，生成与所述待识别的视频信息中人脸图像相对应的表情识别结果。
2.根据权利要求1所述的方法，其特征在于，在所述从所述待识别的视频信息中分别提取多帧视频序列和音频信息的步骤后，还包括：
分别确定所述多帧视频序列中人脸图像的多个关键点；
采用预设模板对所述多帧视频序列进行转换，使转换后的所述视频序列中的多个关键点分别与所述预设模板中的多个目标点相对应。
3.根据权利要求1所述的方法，其特征在于，所述图像表情识别概包括视觉注意力识别概率和视频特征统计量识别概率，所述识别所述多帧视频序列对应的图像表情识别概率和动态表情识别概率的步骤包括：
分别提取所述多帧视频序列中人脸图像的特征信息，所述多帧视频序列中人脸图像的特征信息具有对应的特征向量；
确定所述多帧视频序列中人脸图像的特征信息对应的特征向量的初始权重；
根据所述初始权重，确定所述多帧视频序列中人脸图像的加权融合特征；
将所述加权融合特征和原始特征级连，确定级联特征的目标权重；
根据所述初始权重和所述目标权重确定所述多帧视频序列的视觉注意力机制加权融合特征；
将所述视觉注意力机制加权融合特征输入预置的分类器SoftMax确定视觉注意力识别概率；
统计所述多帧视频序列中人脸图像的特征信息的平均值特征向量和最大值特征向量；
对所述平均值特征向量和最大值特征向量进行级联，生成所述待识别的视频信息的特征统计量；
基于所述待识别的视频信息的特征统计量，采用预置的支持向量机分类器SVM生成所述待识别的视频信息的视频特征统计量识别概率；
采用多种预设模型对所述多帧视频序列中人脸图像的特征信息进行模型训练，生成所述待识别的视频信息的动态表情识别概率，所述多种预设模型包括长短期记忆网络模型LSTM、3D卷积神经网络模型C3D和三维正交平面的局部二值模型LBPTOP。
4.根据权利要求3所述的方法，其特征在于，所述根据所述初始权重，确定所述多帧视频序列中人脸图像的加权融合特征的步骤包括：
采用第一预设向量与所述多帧视频序列中人脸图像的特征信息进行运算，获得所述多帧视频序列的初始权重；
对所述初始权重作归一化处理；
采用所述归一化后的初始权重，对所述多帧视频序列中人脸图像的特征信息进行加权求和，得到所述加权融合特征。
5.根据权利要求4所述的方法，其特征在于，所述根据所述初始权重和所述目标权重确定所述多帧视频序列的视觉注意力机制加权融合特征的步骤包括：
分别将所述多帧视频序列中人脸图像的特征信息与所述加权融合特征级联，获得级联后的特征信息；
采用第二预设向量与所述级联后的特征信息进行运算，获得所述多帧视频序列的级联特征的目标权重；
对所述目标权重作归一化处理；
采用所述归一化后的目标权重，对所述级联后的特征信息进行加权求和，得到所述多帧视频序列的视觉注意力机制加权融合特征。
基于所述视觉注意力机制加权融合特征，采用所述预置的分类器SoftMax生成所述视频序列的视觉注意力识别概率。
6.根据权利要求3所述的方法，其特征在于，所述识别所述音频信息对应的音频情感识别概率的步骤包括：
采用预设音频特征集提取所述音频信息中的特征信息；
基于所述音频信息中的特征信息，采用预设SVM分类器生成所述音频信息的音频情感识别概率。
7.根据权利要求3或6所述的方法，其特征在于，所述基于所述图像表情识别概率、所述动态表情识别概率和所述音频情感识别概率，生成与所述待识别的视频信息中人脸图像相对应的表情识别结果的步骤包括：
分别确定所述视觉注意力识别概率、所述视频特征统计量识别概率、所述动态表情识别概率和所述音频情感识别概率的权重值；
采用所述视觉注意力识别概率、所述视频特征统计量识别概率、所述动态表情识别概率和所述音频情感识别概率的权重值，对所述视觉注意力识别概率、所述视频特征统计量识别概率、所述动态表情识别概率和所述音频情感识别概率进行加权求和，得到目标表情识别概率；
提取所述目标表情识别概率中最大值对应的表情类别作为所述待识别的视频信息中人脸图像的表情识别结果。
8.一种表情识别的装置，其特征在于，包括：
获取模块，用于获取包含人脸图像的待识别的视频信息；
提取模块，用于从所述待识别的视频信息中分别提取多帧视频序列和音频信息；
第一识别模块，用于识别所述多帧视频序列对应的图像表情识别概率；
第二识别模块，用于识别所述多帧视频序列对应的动态表情识别概率；以及，
第三识别模块，用于识别所述音频信息对应的音频情感识别概率；
生成模块，用于基于所述图像表情识别概率、所述动态表情识别概率和所述音频情感识别概率，生成与所述待识别的视频信息中人脸图像相对应的表情识别结果。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述表情识别的方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述表情识别的方法的步骤。
CN201811268476.8A 2018-10-29 2018-10-29 一种表情识别的方法、装置、终端设备及存储介质 Active CN109522818B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811268476.8A CN109522818B (zh) 2018-10-29 2018-10-29 一种表情识别的方法、装置、终端设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811268476.8A CN109522818B (zh) 2018-10-29 2018-10-29 一种表情识别的方法、装置、终端设备及存储介质

Publications (2)

Publication Number Publication Date
CN109522818A true CN109522818A (zh) 2019-03-26
CN109522818B CN109522818B (zh) 2021-03-30

Family

ID=65773145

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811268476.8A Active CN109522818B (zh) 2018-10-29 2018-10-29 一种表情识别的方法、装置、终端设备及存储介质

Country Status (1)

Country Link
CN (1) CN109522818B (zh)

Cited By (42)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110298241A (zh) * 2019-05-21 2019-10-01 江苏爱朋医疗科技股份有限公司 疼痛信息处理方法、装置、设备及存储介质
CN110418163A (zh) * 2019-08-27 2019-11-05 北京百度网讯科技有限公司 视频帧采样方法、装置、电子设备及存储介质
CN110674770A (zh) * 2019-09-29 2020-01-10 上海依图网络科技有限公司 用于人脸表情检测的系统以及方法
CN110677598A (zh) * 2019-09-18 2020-01-10 北京市商汤科技开发有限公司 视频生成方法、装置、电子设备和计算机存储介质
CN110751381A (zh) * 2019-09-30 2020-02-04 东南大学 一种路怒车辆风险评估和防控方法
CN110765839A (zh) * 2019-09-02 2020-02-07 合肥工业大学 可见光面部图像的多路信息融合及人工智能情绪监测方法
CN111108508A (zh) * 2019-12-23 2020-05-05 深圳市优必选科技股份有限公司 脸部情感识别方法、智能装置和计算机可读存储介质
CN111144197A (zh) * 2019-11-08 2020-05-12 宇龙计算机通信科技(深圳)有限公司 人性识别方法、装置、存储介质和电子设备
CN111339940A (zh) * 2020-02-26 2020-06-26 中国工商银行股份有限公司 视频风险识别方法及装置
CN111401268A (zh) * 2020-03-19 2020-07-10 内蒙古工业大学 一种面向开放环境的多模态情感识别方法及装置
CN111401175A (zh) * 2020-03-09 2020-07-10 北京航空航天大学 一种同时识别面部多种属性特征的方法
CN111476095A (zh) * 2020-03-05 2020-07-31 平安科技（深圳）有限公司 一种表情属性识别方法、装置、计算机设备及存储介质
CN111488813A (zh) * 2020-04-02 2020-08-04 咪咕文化科技有限公司 视频的情感标注方法、装置、电子设备及存储介质
CN111540364A (zh) * 2020-04-21 2020-08-14 同盾控股有限公司 音频识别方法、装置、电子设备及计算机可读介质
CN111598002A (zh) * 2020-05-18 2020-08-28 北京乐元素文化发展有限公司 多面部表情捕捉方法、装置、电子设备及计算机存储介质
CN111738160A (zh) * 2020-06-23 2020-10-02 平安科技（深圳）有限公司 视频微表情识别方法、装置、计算机设备及存储介质
CN111783620A (zh) * 2020-06-29 2020-10-16 北京百度网讯科技有限公司 表情识别方法、装置、设备及存储介质
CN111859025A (zh) * 2020-07-03 2020-10-30 广州华多网络科技有限公司 表情指令生成方法、装置、设备及存储介质
CN111882625A (zh) * 2020-07-07 2020-11-03 北京达佳互联信息技术有限公司 生成动态图的方法、装置、电子设备及存储介质
CN111932056A (zh) * 2020-06-19 2020-11-13 北京文思海辉金信软件有限公司 客服质量评分方法、装置、计算机设备和存储介质
CN111950481A (zh) * 2020-08-17 2020-11-17 广州华多网络科技有限公司 图像中面部表情量化、识别方法及其装置、设备与介质
WO2020248376A1 (zh) * 2019-06-14 2020-12-17 平安科技（深圳）有限公司 情绪检测方法、装置、电子设备及存储介质
CN112101119A (zh) * 2020-08-18 2020-12-18 东南大学 基于ec-stfl损失函数的自然场景动态表情识别方法及装置
CN112215927A (zh) * 2020-09-18 2021-01-12 腾讯科技（深圳）有限公司 人脸视频的合成方法、装置、设备及介质
CN112528902A (zh) * 2020-12-17 2021-03-19 四川大学 一种基于3d人脸模型的视频监控动态人脸识别方法及装置
CN112541425A (zh) * 2020-12-10 2021-03-23 深圳地平线机器人科技有限公司 情绪检测方法、装置、介质及电子设备
CN112541529A (zh) * 2020-12-04 2021-03-23 北京科技大学 表情与姿态融合的双模态教学评价方法、设备及存储介质
CN112699815A (zh) * 2020-12-30 2021-04-23 常州码库数据科技有限公司 基于时空运动增强网络的动态表情识别方法及系统
CN112714362A (zh) * 2020-12-25 2021-04-27 北京百度网讯科技有限公司 确定属性的方法、装置、电子设备、介质和程序产品
CN112733994A (zh) * 2020-12-10 2021-04-30 中国科学院深圳先进技术研究院 机器人的自主情感生成方法、系统及应用
CN112733803A (zh) * 2021-01-25 2021-04-30 中国科学院空天信息创新研究院 情绪识别方法及系统
CN112785667A (zh) * 2021-01-25 2021-05-11 北京有竹居网络技术有限公司 视频生成方法、装置、介质及电子设备
CN112883941A (zh) * 2021-04-16 2021-06-01 哈尔滨理工大学 一种基于并行神经网络的人脸表情识别方法
CN112949354A (zh) * 2019-12-10 2021-06-11 顺丰科技有限公司 安全帽佩戴检测方法和装置、电子设备、计算机可读存储介质
CN113065460A (zh) * 2021-03-31 2021-07-02 吉林农业大学 基于多任务级联的猪脸面部表情识别框架的建立方法
CN113076916A (zh) * 2021-04-19 2021-07-06 山东大学 基于几何特征加权融合的动态人脸表情识别方法及系统
CN113517064A (zh) * 2021-04-14 2021-10-19 华南师范大学 一种抑郁症程度评估方法、系统、装置及存储介质
CN113516140A (zh) * 2020-05-07 2021-10-19 阿里巴巴集团控股有限公司 图像处理、模型训练方法、系统及设备
CN113837009A (zh) * 2021-08-26 2021-12-24 张大艳 一种基于人工智能的物联网数据的采集分析系统
CN110097004B (zh) * 2019-04-30 2022-03-29 北京字节跳动网络技术有限公司 面部表情识别方法和装置
CN115831352A (zh) * 2022-12-05 2023-03-21 湖南工商大学 一种基于动态纹理特征和时间分片权重网络的检测方法
CN116092577A (zh) * 2023-01-09 2023-05-09 中国海洋大学 一种基于多源异质信息聚合的蛋白质功能预测方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102819744A (zh) * 2012-06-29 2012-12-12 北京理工大学 一种双通道信息融合的情感识别方法
CN102930297A (zh) * 2012-11-05 2013-02-13 北京理工大学 基于增强耦合hmm的语音-视觉融合的情感识别方法
CN102930298A (zh) * 2012-09-02 2013-02-13 北京理工大学 基于多层增强hmm的语音-视觉融合的情感识别方法
CN104156708A (zh) * 2014-08-20 2014-11-19 合肥工业大学 一种基于动态人脸表情序列和k阶情感强度模型的特征表示方法
US9430697B1 (en) * 2015-07-03 2016-08-30 TCL Research America Inc. Method and system for face recognition using deep collaborative representation-based classification
CN107577991A (zh) * 2017-08-10 2018-01-12 深圳市心上信息技术有限公司 随访数据处理方法、装置、存储介质和计算机设备
CN107818785A (zh) * 2017-09-26 2018-03-20 平安普惠企业管理有限公司 一种从多媒体文件中提取信息的方法及终端设备
CN108229268A (zh) * 2016-12-31 2018-06-29 商汤集团有限公司 表情识别及卷积神经网络模型训练方法、装置和电子设备

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102819744A (zh) * 2012-06-29 2012-12-12 北京理工大学 一种双通道信息融合的情感识别方法
CN102930298A (zh) * 2012-09-02 2013-02-13 北京理工大学 基于多层增强hmm的语音-视觉融合的情感识别方法
CN102930297A (zh) * 2012-11-05 2013-02-13 北京理工大学 基于增强耦合hmm的语音-视觉融合的情感识别方法
CN104156708A (zh) * 2014-08-20 2014-11-19 合肥工业大学 一种基于动态人脸表情序列和k阶情感强度模型的特征表示方法
US9430697B1 (en) * 2015-07-03 2016-08-30 TCL Research America Inc. Method and system for face recognition using deep collaborative representation-based classification
CN108229268A (zh) * 2016-12-31 2018-06-29 商汤集团有限公司 表情识别及卷积神经网络模型训练方法、装置和电子设备
CN107577991A (zh) * 2017-08-10 2018-01-12 深圳市心上信息技术有限公司 随访数据处理方法、装置、存储介质和计算机设备
CN107818785A (zh) * 2017-09-26 2018-03-20 平安普惠企业管理有限公司 一种从多媒体文件中提取信息的方法及终端设备

Cited By (58)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110097004B (zh) * 2019-04-30 2022-03-29 北京字节跳动网络技术有限公司 面部表情识别方法和装置
CN110298241A (zh) * 2019-05-21 2019-10-01 江苏爱朋医疗科技股份有限公司 疼痛信息处理方法、装置、设备及存储介质
WO2020248376A1 (zh) * 2019-06-14 2020-12-17 平安科技（深圳）有限公司 情绪检测方法、装置、电子设备及存储介质
CN110418163A (zh) * 2019-08-27 2019-11-05 北京百度网讯科技有限公司 视频帧采样方法、装置、电子设备及存储介质
CN110765839B (zh) * 2019-09-02 2022-02-22 合肥工业大学 可见光面部图像的多路信息融合及人工智能情绪监测方法
CN110765839A (zh) * 2019-09-02 2020-02-07 合肥工业大学 可见光面部图像的多路信息融合及人工智能情绪监测方法
CN110677598A (zh) * 2019-09-18 2020-01-10 北京市商汤科技开发有限公司 视频生成方法、装置、电子设备和计算机存储介质
JP2022526148A (ja) * 2019-09-18 2022-05-23 ベイジン センスタイム テクノロジー デベロップメント カンパニー， リミテッド ビデオ生成方法、装置、電子機器及びコンピュータ記憶媒体
WO2021052224A1 (zh) * 2019-09-18 2021-03-25 北京市商汤科技开发有限公司 视频生成方法、装置、电子设备和计算机存储介质
CN110674770A (zh) * 2019-09-29 2020-01-10 上海依图网络科技有限公司 用于人脸表情检测的系统以及方法
CN110751381A (zh) * 2019-09-30 2020-02-04 东南大学 一种路怒车辆风险评估和防控方法
CN111144197A (zh) * 2019-11-08 2020-05-12 宇龙计算机通信科技(深圳)有限公司 人性识别方法、装置、存储介质和电子设备
CN112949354A (zh) * 2019-12-10 2021-06-11 顺丰科技有限公司 安全帽佩戴检测方法和装置、电子设备、计算机可读存储介质
CN111108508A (zh) * 2019-12-23 2020-05-05 深圳市优必选科技股份有限公司 脸部情感识别方法、智能装置和计算机可读存储介质
CN111108508B (zh) * 2019-12-23 2023-10-13 深圳市优必选科技股份有限公司 脸部情感识别方法、智能装置和计算机可读存储介质
CN111339940B (zh) * 2020-02-26 2023-07-21 中国工商银行股份有限公司 视频风险识别方法及装置
CN111339940A (zh) * 2020-02-26 2020-06-26 中国工商银行股份有限公司 视频风险识别方法及装置
CN111476095A (zh) * 2020-03-05 2020-07-31 平安科技（深圳）有限公司 一种表情属性识别方法、装置、计算机设备及存储介质
CN111401175B (zh) * 2020-03-09 2024-07-26 北京航空航天大学 一种同时识别面部多种属性特征的方法
CN111401175A (zh) * 2020-03-09 2020-07-10 北京航空航天大学 一种同时识别面部多种属性特征的方法
CN111401268B (zh) * 2020-03-19 2022-11-15 内蒙古工业大学 一种面向开放环境的多模态情感识别方法及装置
CN111401268A (zh) * 2020-03-19 2020-07-10 内蒙古工业大学 一种面向开放环境的多模态情感识别方法及装置
CN111488813B (zh) * 2020-04-02 2023-09-08 咪咕文化科技有限公司 视频的情感标注方法、装置、电子设备及存储介质
CN111488813A (zh) * 2020-04-02 2020-08-04 咪咕文化科技有限公司 视频的情感标注方法、装置、电子设备及存储介质
CN111540364A (zh) * 2020-04-21 2020-08-14 同盾控股有限公司 音频识别方法、装置、电子设备及计算机可读介质
CN113516140A (zh) * 2020-05-07 2021-10-19 阿里巴巴集团控股有限公司 图像处理、模型训练方法、系统及设备
CN111598002A (zh) * 2020-05-18 2020-08-28 北京乐元素文化发展有限公司 多面部表情捕捉方法、装置、电子设备及计算机存储介质
CN111932056A (zh) * 2020-06-19 2020-11-13 北京文思海辉金信软件有限公司 客服质量评分方法、装置、计算机设备和存储介质
CN111738160A (zh) * 2020-06-23 2020-10-02 平安科技（深圳）有限公司 视频微表情识别方法、装置、计算机设备及存储介质
CN111738160B (zh) * 2020-06-23 2024-03-26 平安科技（深圳）有限公司 视频微表情识别方法、装置、计算机设备及存储介质
CN111783620B (zh) * 2020-06-29 2024-09-17 江苏博鳌源科技有限公司 表情识别方法、装置、设备及存储介质
CN111783620A (zh) * 2020-06-29 2020-10-16 北京百度网讯科技有限公司 表情识别方法、装置、设备及存储介质
CN111859025A (zh) * 2020-07-03 2020-10-30 广州华多网络科技有限公司 表情指令生成方法、装置、设备及存储介质
CN111882625B (zh) * 2020-07-07 2024-04-05 北京达佳互联信息技术有限公司 生成动态图的方法、装置、电子设备及存储介质
CN111882625A (zh) * 2020-07-07 2020-11-03 北京达佳互联信息技术有限公司 生成动态图的方法、装置、电子设备及存储介质
CN111950481A (zh) * 2020-08-17 2020-11-17 广州华多网络科技有限公司 图像中面部表情量化、识别方法及其装置、设备与介质
CN112101119A (zh) * 2020-08-18 2020-12-18 东南大学 基于ec-stfl损失函数的自然场景动态表情识别方法及装置
CN112215927B (zh) * 2020-09-18 2023-06-23 腾讯科技（深圳）有限公司 人脸视频的合成方法、装置、设备及介质
CN112215927A (zh) * 2020-09-18 2021-01-12 腾讯科技（深圳）有限公司 人脸视频的合成方法、装置、设备及介质
CN112541529A (zh) * 2020-12-04 2021-03-23 北京科技大学 表情与姿态融合的双模态教学评价方法、设备及存储介质
CN112541425A (zh) * 2020-12-10 2021-03-23 深圳地平线机器人科技有限公司 情绪检测方法、装置、介质及电子设备
CN112733994A (zh) * 2020-12-10 2021-04-30 中国科学院深圳先进技术研究院 机器人的自主情感生成方法、系统及应用
CN112528902A (zh) * 2020-12-17 2021-03-19 四川大学 一种基于3d人脸模型的视频监控动态人脸识别方法及装置
CN112714362A (zh) * 2020-12-25 2021-04-27 北京百度网讯科技有限公司 确定属性的方法、装置、电子设备、介质和程序产品
CN112714362B (zh) * 2020-12-25 2023-06-27 北京百度网讯科技有限公司 确定属性的方法、装置、电子设备和介质
CN112699815A (zh) * 2020-12-30 2021-04-23 常州码库数据科技有限公司 基于时空运动增强网络的动态表情识别方法及系统
CN112733803A (zh) * 2021-01-25 2021-04-30 中国科学院空天信息创新研究院 情绪识别方法及系统
CN112785667A (zh) * 2021-01-25 2021-05-11 北京有竹居网络技术有限公司 视频生成方法、装置、介质及电子设备
CN113065460A (zh) * 2021-03-31 2021-07-02 吉林农业大学 基于多任务级联的猪脸面部表情识别框架的建立方法
CN113517064A (zh) * 2021-04-14 2021-10-19 华南师范大学 一种抑郁症程度评估方法、系统、装置及存储介质
CN112883941A (zh) * 2021-04-16 2021-06-01 哈尔滨理工大学 一种基于并行神经网络的人脸表情识别方法
CN113076916B (zh) * 2021-04-19 2023-05-12 山东大学 基于几何特征加权融合的动态人脸表情识别方法及系统
CN113076916A (zh) * 2021-04-19 2021-07-06 山东大学 基于几何特征加权融合的动态人脸表情识别方法及系统
CN113837009A (zh) * 2021-08-26 2021-12-24 张大艳 一种基于人工智能的物联网数据的采集分析系统
CN115831352A (zh) * 2022-12-05 2023-03-21 湖南工商大学 一种基于动态纹理特征和时间分片权重网络的检测方法
CN115831352B (zh) * 2022-12-05 2023-08-08 湖南工商大学 一种基于动态纹理特征和时间分片权重网络的检测方法
CN116092577A (zh) * 2023-01-09 2023-05-09 中国海洋大学 一种基于多源异质信息聚合的蛋白质功能预测方法
CN116092577B (zh) * 2023-01-09 2024-01-05 中国海洋大学 一种基于多源异质信息聚合的蛋白质功能预测方法

Also Published As

Publication number Publication date
CN109522818B (zh) 2021-03-30

Similar Documents

Publication Publication Date Title
CN109522818A (zh) 一种表情识别的方法、装置、终端设备及存储介质
Gong et al. Research review for broad learning system: Algorithms, theory, and applications
Noroozi et al. Audio-visual emotion recognition in video clips
CN112183747B (zh) 神经网络训练的方法、神经网络的压缩方法以及相关设备
Sun et al. Exploring multimodal visual features for continuous affect recognition
Santhalingam et al. Sign language recognition analysis using multimodal data
CN109271912A (zh) 视频分类方法、装置、电子设备及存储介质
Kallipolitis et al. Affective analysis of patients in homecare video-assisted telemedicine using computational intelligence
CN110321761A (zh) 一种行为识别方法、终端设备及计算机可读存储介质
Wang et al. Laun improved stargan for facial emotion recognition
CN116958324A (zh) 图像生成模型的训练方法、装置、设备及存储介质
Shahzad et al. Role of zoning in facial expression using deep learning
Gao A two-channel attention mechanism-based MobileNetV2 and bidirectional long short memory network for multi-modal dimension dance emotion recognition
Dong et al. Research on image classification based on capsnet
Sahu et al. Modeling feature representations for affective speech using generative adversarial networks
Aghaei et al. Sparse deep LSTMs with convolutional attention for human action recognition
CN113657272B (zh) 一种基于缺失数据补全的微视频分类方法及系统
Akinpelu et al. Lightweight deep learning framework for speech emotion recognition
Luwe et al. Wearable sensor-based human activity recognition with ensemble learning: a comparison study.
Wu et al. AB-GRU: An attention-based bidirectional GRU model for multimodal sentiment fusion and analysis
Tang An action recognition method for volleyball players using deep learning
Chen et al. Multimodal emotion recognition and intention understanding in human-robot interaction
Liu et al. GLMDriveNet: Global–local Multimodal Fusion Driving Behavior Classification Network
Sun et al. Dual Expression Fusion: A Universal Microexpression Recognition Framework
Molnár et al. Variational autoencoders for 3D data processing

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