CN109919090A - 用于推送信息的方法和装置 - Google Patents
用于推送信息的方法和装置 Download PDFInfo
- Publication number
- CN109919090A CN109919090A CN201910169307.7A CN201910169307A CN109919090A CN 109919090 A CN109919090 A CN 109919090A CN 201910169307 A CN201910169307 A CN 201910169307A CN 109919090 A CN109919090 A CN 109919090A
- Authority
- CN
- China
- Prior art keywords
- identified
- mood
- sample
- video
- identification model
- 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.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
Abstract
本申请实施例公开了用于推送信息的方法和装置。该方法的一具体实施方式包括:接收用户发送的对待识别对象进行拍摄所得到的待识别视频;基于待识别视频和预先训练的心情识别模型,得到待识别对象的心情信息,其中,心情识别模型用于识别对象的心情;将待识别对象的心情信息推送给用户。该实施方式基于心情识别模型进行心情识别,能够提高对待识别对象的心情的识别准确度。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及用于推送信息的方法和装置。
背景技术
随着人们生活水平的提高,饲养宠物的家庭越来越多,有些家庭已经把宠物视为家庭的一份子。宠物主人在照看宠物时,不仅要照顾宠物的饮食,还需要顾及宠物的心情。宠物主人通常会根据宠物的心情做出相应的照看对策。例如,宠物心情不好时,宠物主人可以尝试陪宠物逗乐。
宠物主人虽然可以通过长时间的饲养宠物而了解宠物的部分习性。然而毕竟宠物与人之间存在语言隔阂,因此宠物主人并不能完全准确地了解宠物的所有心情。特别是当宠物不在宠物主人身边时,宠物主人则无法获取到宠物的心情。
发明内容
本申请实施例提出了用于推送信息的方法和装置。
第一方面,本申请实施例提供了一种用于推送信息的方法,包括:接收用户发送的对待识别对象进行拍摄所得到的待识别视频;基于待识别视频和预先训练的心情识别模型,得到待识别对象的心情信息,其中,心情识别模型用于识别对象的心情;将待识别对象的心情信息推送给用户。
在一些实施例中,该方法还包括:接收用户发送的对待识别对象发出的声音进行录制所得到的待识别音频;以及基于待识别视频和预先训练的心情识别模型,得到待识别对象的心情信息,包括:将待识别视频和待识别音频输入至心情识别模型,得到待识别对象的心情信息。
在一些实施例中,心情识别模型包括第一特征提取网络、第二特征提取网络和分类网络。
在一些实施例中,将待识别视频和待识别音频输入至心情识别模型,得到待识别对象的心情信息,包括:将待识别视频输入至第一特征提取网络,得到待识别对象的动作特征;将待识别音频输入至第二特征提取网络,得到待识别对象的声音特征;将动作特征和声音特征合并,得到合并特征;将合并特征输入至分类网络,得到待识别对象的心情信息。
在一些实施例中,心情识别模型通过如下步骤训练得到:获取训练样本,其中,训练样本包括样本视频、样本音频和样本心情标签,样本视频是对样本对象进行拍摄所得到的视频,样本音频是对样本对象发出的声音进行录制所得到的音频,样本心情标签用于标识样本对象的心情信息;将样本视频和样本音频作为输入,将样本心情标签作为输出,训练得到心情识别模型。
第二方面,本申请实施例提供了一种用于推送信息的装置,包括:视频接收单元,被配置成接收用户发送的对待识别对象进行拍摄所得到的待识别视频;心情识别单元,被配置成基于待识别视频和预先训练的心情识别模型,得到待识别对象的心情信息,其中,心情识别模型用于识别对象的心情;信息推送单元,被配置成将待识别对象的心情信息推送给用户。
在一些实施例中,该装置还包括:音频接收单元,被配置成接收用户发送的对待识别对象发出的声音进行录制所得到的待识别音频;以及心情识别单元进一步被配置成:将待识别视频和待识别音频输入至心情识别模型,得到待识别对象的心情信息。
在一些实施例中,心情识别模型包括第一特征提取网络、第二特征提取网络和分类网络。
在一些实施例中,心情识别单元包括:动作特征提取子单元,被配置成将待识别视频输入至第一特征提取网络,得到待识别对象的动作特征;声音特征提取子单元,被配置成将待识别音频输入至第二特征提取网络,得到待识别对象的声音特征;特征合并子单元,被配置成将动作特征和声音特征合并,得到合并特征;心情识别子单元,被配置成环将合并特征输入至分类网络,得到待识别对象的心情信息。
在一些实施例中,心情识别模型通过如下步骤训练得到:获取训练样本,其中,训练样本包括样本视频、样本音频和样本心情标签,样本视频是对样本对象进行拍摄所得到的视频,样本音频是对样本对象发出的声音进行录制所得到的音频,样本心情标签用于标识样本对象的心情信息;将样本视频和样本音频作为输入,将样本心情标签作为输出,训练得到心情识别模型。
第三方面,本申请实施例提供了一种服务器,该服务器包括:一个或多个处理器;存储装置,其上存储有一个或多个程序;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推送信息的方法和装置,在接收到用户发送的对待识别对象进行拍摄所得到的待识别视频之后,基于待识别视频和预先训练的心情识别模型,以得到待识别对象的心情信息;然后将待识别对象的心情信息推送给用户。基于心情识别模型进行心情识别,能够提高对待识别对象的心情的识别准确度。
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2是根据本申请的用于推送信息的方法的一个实施例的流程图;
图3是图2所示的用于推送信息的方法的一个应用场景的示意图;
图4是根据本申请的用于推送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推送信息的装置的一个实施例的结构示意图;
图6是适于用来实现本申请实施例的服务器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推送信息的方法或用于推送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中可以包括终端设备101、网络102和服务器103。网络102用以在终端设备101、和服务器103之间提供通信链路的介质。网络102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通过网络102与服务器103交互,以接收或发送消息等。
终端设备101可以是硬件,也可以是软件。当终端设备101为硬件时,可以是支持视频拍摄功能的各种电子设备。包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101为软件时,可以安装在上述电子设备中。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103可以提供各种服务。例如服务器103可以对从终端设备101获取到的待识别视频等数据进行分析等处理,并将处理结果(例如待识别对象的心情信息)推送给终端设备101。
需要说明的是,服务器103可以是硬件,也可以是软件。当服务器103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103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推送信息的方法一般由服务器103执行,相应地,用于推送信息的装置一般设置于服务器103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推送信息的方法的一个实施例的流程200。该用于推送信息的方法,包括以下步骤:
步骤201,接收用户发送的对待识别对象进行拍摄所得到的待识别视频。
在本实施例中,用于推送信息的方法的执行主体(例如图1所示的服务器103)可以通过有线连接方式或者无线连接方式从用户的终端设备(例如图1所示的终端设备101)获取对待识别对象进行拍摄所得到的待识别视频。其中,用户是需要照看待识别对象的人。待识别对象是需要被照看的人或动物。通常,待识别对象可以包括但不限于宠物、婴儿、儿童和老人等等。例如,待识别对象是宠物,用户是宠物主人。又例如,待识别对象是婴儿,用户是婴儿的监护人。
实践中,当需要确定待识别对象的心情时,用户可以开启其终端设备的视频拍摄功能,对待识别对象进行拍摄,以得到待识别视频。随后,用户可以将终端设备所拍摄的待识别视频发送至上述执行主体。
需要说明的是,这里的视频泛指将一系列静态影像以电信号的方式加以捕捉、纪录、处理、储存、传送与重现的各种技术,是连续的画面。
步骤202,基于待识别视频和预先训练的心情识别模型,得到待识别对象的心情信息。
在本实施例中,上述执行主体可以利用预先训练的心情识别模型对待识别视频进行处理,以得到待识别对象的心情信息。例如,上述执行主体可以将待识别视频输入至心情识别模型,以得到待识别对象的心情信息。其中,心情信息可以包括用于标识待识别对象的心情所属的心情类别的信息,例如,包括待识别对象的心情属于预设的多种心情类别中的每种心情类别的置信度。预设的多种心情类别可以包括但不限于高兴、兴奋、开心、烦躁、好奇、恐惧、寂寞、孤单等。
这里,心情识别模型可以用于识别对象的心情。通常,心情识别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。
具体地,上述执行主体可以通过如下步骤训练心情识别模型:
首先,获取训练样本。
这里,每个训练样本可以包括样本视频和对应的样本心情标签。其中,样本视频是对样本对象进行拍摄所得到的视频。样本心情标签可以用于标识样本对象的心情所属的心情类别。
然后,将样本视频作为输入,将样本心情标签作为输出,训练得到心情识别模型。
这里,上述执行主体可以将样本视频从初始心情识别模型的输入侧输入,经过初始心情识别模型的处理,从输出侧输出样本视频中的样本对象的心情属于预设的多种心情类别中的每种心情类别的置信度。随后,上述执行主体可以基于样本对象的心情属于预设的多种心情类别中的每种心情类别的置信度和样本心情标签计算初始心情识别模型的识别准确度。若识别准确度不满足预先设定的约束条件,则调整初始心情识别模型的参数,随后输入样本视频继续进行模型训练。若识别准确度满足预先设定的约束条件,则模型训练完成,此时的初始心情识别模型即为心情识别模型。其中,初始心情识别模型可以是初始化参数的各种目标识别模型,例如特征提取网络和分类网络组合而成的模型。特征提取网络可以包括但不限于VGG模型、ResNet模型等等。分类网络可以由多个卷积层和多个全连接层组成。初始化参数可以是一些不同的小随机数。
步骤203,将待识别对象的心情信息推送给用户。
在本实施例中,上述执行主体可以将待识别对象的心情信息推送给用户的终端设备。终端设备可以显示或播报待识别对象的心情信息,以使用户看到或听到待识别对象的心情信息之后,根据其的提示对待识别对象做出相应的照看对策,以实现对待识别对象针对性地照看。
继续参见图3,图3是图2所示的用于推送信息的方法的一个应用场景的示意图。在图3所示的应用场景中,宠物主人可以利用手机拍摄宠物的视频,并发送至服务器。在接收到宠物的视频之后,服务器可以首先将宠物的视频输入至心情识别模型,得到宠物的心情信息;然后将宠物的心情信息推送给宠物主人的手机。其中,宠物的心情信息可以例如是“宠物的心情较为孤单”。此时,宠物主人的手机可以显示该心情信息。当宠物主人看到该心情信息时,可以根据其提示与宠物一起玩耍。
本申请实施例提供的用于推送信息的方法,在接收到用户发送的对待识别对象进行拍摄所得到的待识别视频之后,基于待识别视频和预先训练的心情识别模型,以得到待识别对象的心情信息;然后将待识别对象的心情信息推送给用户。基于心情识别模型进行心情识别,能够提高对待识别对象的心情的识别准确度。同时,将待识别对象的心情信息推送给用户,有助于实现对待识别对象针对性地照看。
进一步参考图4,其示出了根据本申请的用于推送信息的方法的又一个实施例的流程400。该用于推送信息的方法,包括以下步骤:
步骤401,接收用户发送的对待识别对象进行拍摄所得到的待识别视频和对待识别对象发出的声音进行录制所得到的待识别音频。
在本实施例中,用于推送信息的方法的执行主体(例如图1所示的服务器103)可以通过有线连接方式或者无线连接方式从用户的终端设备(例如图1所示的终端设备101)获取对待识别对象进行拍摄所得到的待识别视频和对待识别对象发出的声音进行录制所得到的待识别音频。
实践中,当需要确定待识别对象的心情时,用户可以同时开启其终端设备的视频拍摄功能和语音录制功能,对待识别对象进行拍摄,以得到待识别视频,同时,对待识别对象发出的声音进行录制,以得到待识别音频。随后,用户可以将终端设备所拍摄的待识别视频和所录制的待识别音频同时发送至上述执行主体。例如,用户可以点击手机上的相机,选择视频模式进行录制,录制出的信息既包括视频又包括音频。
需要说明的是,用户和待识别对象已在图2所示的实施例中进行了详细的阐述,这里不再赘述。
步骤402,将待识别视频和待识别音频输入至心情识别模型,得到待识别对象的心情信息。
在本实施例中,上述执行主体可以将待识别视频和待识别音频输入至心情识别模型,以得到待识别对象的心情信息。
这里,心情识别模型可以用于识别对象的心情。通常,心情识别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。
具体地,上述执行主体可以通过如下步骤训练心情识别模型:
首先,获取训练样本。
这里,每个训练样本可以包括样本视频、样本音频和对应的样本心情标签。其中,样本视频是对样本对象进行拍摄所得到的视频。样本音频是对样本对象发出的声音进行录制所得到的音频。样本心情标签可以用于标识样本对象的心情所属的心情类别。
然后,将样本视频和样本音频作为输入,将样本心情标签作为输出,训练得到心情识别模型。
这里,上述执行主体可以将样本视频和样本音频从初始心情识别模型的输入侧输入,经过初始心情识别模型的处理,从输出侧输出样本视频中的样本对象的心情属于预设的多种心情类别中的每种心情类别的置信度。随后,上述执行主体可以基于样本对象的心情属于预设的多种心情类别中的每种心情类别的置信度和样本心情标签计算初始心情识别模型的识别准确度。若识别准确度不满足预先设定的约束条件,则调整初始心情识别模型的参数,随后输入样本视频和样本音频继续进行模型训练。若识别准确度满足预先设定的约束条件,则模型训练完成,此时的初始心情识别模型即为性情识别模型。其中,初始心情识别模型可以是初始化参数的各种目标识别模型,例如第一特征提取网络、第二特征提取网络和分类网络组合而成的模型。第一特征提取网络可以包括但不限于VGG模型、ResNet模型等等。第二特征提取网络可以由全连接层组成。分类网络可以由多个卷积层和多个全连接层组成。初始化参数可以是一些不同的小随机数。
在本实施例的一些可选的实现方式中,若心情识别模型是由第一特征提取网络、第二特征提取网络和分类网络组合而成的模型,那么上述执行主体可以首先将待识别视频输入至第一特征提取网络,以得到待识别对象的动作特征;同时将待识别音频输入至第二特征提取网络,以得到待识别对象的声音特征;然后将动作特征和声音特征合并,以得到合并特征;最后将合并特征输入至分类网络,以得到待识别对象的心情信息。其中,第一特征提取网络可以包括但不限于VGG模型、ResNet模型等等。动作特征可以是用于对待识别视频中的待识别对象的动作进行描述的信息,包括但不限于与动作相关的各种基本要素(例如待识别对象的动作、待识别对象的轮廓、待识别对象的位置、待识别对象的纹理等)。通常,动作特征可以用多维向量来表示。第二特征提取网络可以由全连接层组成。声音特征可以是用于对音频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)。通常,音频特征可以用多维向量来表示。分类网络可以由多个卷积层和多个全连接层组成,用于分类出待识别对象的心情所属的心情类别。
需要说明的是,心情信息已在图2所示的实施例中进行了详细的阐述,这里不再赘述。
步骤403,将待识别对象的心情信息推送给用户。
在本实施例中,步骤403的具体操作已在图2所示的实施例中步骤203中进行了详细的介绍,在此不再赘述。
从图4中可以看出,与图2对应的实施例相比,本实施例中的用于推送信息的方法的流程400增加了对音频进行识别的步骤。由此,本实施例描述的方案中心情识别模型的输入不仅包括视频,还包括音频,结合视频和音频进行分析,进一步提高了心情信息的识别准确度。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了一种用于推送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5所示,本实施例的用于推送信息的装置500可以包括:视频接收单元501、心情识别单元502和信息推送单元503。其中,视频接收单元501,被配置成接收用户发送的对待识别对象进行拍摄所得到的待识别视频;心情识别单元502,被配置成基于待识别视频和预先训练的心情识别模型,得到待识别对象的心情信息,其中,心情识别模型用于识别对象的心情;信息推送单元503,被配置成将待识别对象的心情信息推送给用户。
在本实施例中,用于推送信息的装置500中:视频接收单元501、心情识别单元502和信息推送单元503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和步骤203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,用于推送信息的装置500还包括:音频接收单元(图中未示出),被配置成接收用户发送的对待识别对象发出的声音进行录制所得到的待识别音频;以及心情识别单元502进一步被配置成:将待识别视频和待识别音频输入至心情识别模型,得到待识别对象的心情信息。
在本实施例的一些可选的实现方式中,心情识别模型包括第一特征提取网络、第二特征提取网络和分类网络。
在本实施例的一些可选的实现方式中,心情识别单元502包括:动作特征提取子单元(图中未示出),被配置成将待识别视频输入至第一特征提取网络,得到待识别对象的动作特征;声音特征提取子单元(图中未示出),被配置成将待识别音频输入至第二特征提取网络,得到待识别对象的声音特征;特征合并子单元(图中未示出),被配置成将动作特征和声音特征合并,得到合并特征;心情识别子单元(图中未示出),被配置成环将合并特征输入至分类网络,得到待识别对象的心情信息。
在本实施例的一些可选的实现方式中,心情识别模型通过如下步骤训练得到:获取训练样本,其中,训练样本包括样本视频、样本音频和样本心情标签,样本视频是对样本对象进行拍摄所得到的视频,样本音频是对样本对象发出的声音进行录制所得到的音频,样本心情标签用于标识样本对象的心情信息;将样本视频和样本音频作为输入,将样本心情标签作为输出,训练得到心情识别模型。
下面参考图6,其示出了适于用来实现本申请实施例的服务器(例如图1所示的服务器103)的计算机系统600的结构示意图。图6示出的服务器仅仅是一个示例,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6所示,计算机系统600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;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607;包括硬盘等的存储部分608;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609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,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610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608。
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609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601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:一种处理器包括视频接收单元、心情识别单元和信息推送单元。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,视频接收单元还可以被描述为“接收用户发送的对待识别对象进行拍摄所得到的待识别视频的单元”。
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服务器中所包含的;也可以是单独存在,而未装配入该服务器中。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服务器执行时,使得该服务器:接收用户发送的对待识别对象进行拍摄所得到的待识别视频;基于待识别视频和预先训练的心情识别模型,得到待识别对象的心情信息,其中,心情识别模型用于识别对象的心情;将待识别对象的心情信息推送给用户。
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)
1.一种用于推送信息的方法,包括:
接收用户发送的对待识别对象进行拍摄所得到的待识别视频;
基于所述待识别视频和预先训练的心情识别模型,得到所述待识别对象的心情信息,其中,所述心情识别模型用于识别对象的心情;
将所述待识别对象的心情信息推送给所述用户。
2.根据权利要求1所述的方法,其中,所述方法还包括:
接收所述用户发送的对所述待识别对象发出的声音进行录制所得到的待识别音频;以及
所述基于所述待识别视频和预先训练的心情识别模型,得到所述待识别对象的心情信息,包括:
将所述待识别视频和所述待识别音频输入至所述心情识别模型,得到所述待识别对象的心情信息。
3.根据权利要求2所述的方法,其中,所述心情识别模型包括第一特征提取网络、第二特征提取网络和分类网络。
4.根据权利要求3所述的方法,其中,所述将所述待识别视频和所述待识别音频输入至所述心情识别模型,得到所述待识别对象的心情信息,包括:
将所述待识别视频输入至所述第一特征提取网络,得到所述待识别对象的动作特征;
将所述待识别音频输入至所述第二特征提取网络,得到所述待识别对象的声音特征;
将所述动作特征和所述声音特征合并,得到合并特征;
将所述合并特征输入至所述分类网络,得到所述待识别对象的心情信息。
5.根据权利要求2-4之一所述的方法,其中,所述心情识别模型通过如下步骤训练得到:
获取训练样本,其中,所述训练样本包括样本视频、样本音频和样本心情标签,所述样本视频是对样本对象进行拍摄所得到的视频,所述样本音频是对所述样本对象发出的声音进行录制所得到的音频,所述样本心情标签用于标识所述样本对象的心情信息;
将所述样本视频和所述样本音频作为输入,将所述样本心情标签作为输出,训练得到所述心情识别模型。
6.一种用于推送信息的装置,包括:
视频接收单元,被配置成接收用户发送的对待识别对象进行拍摄所得到的待识别视频;
心情识别单元,被配置成基于所述待识别视频和预先训练的心情识别模型,得到所述待识别对象的心情信息,其中,所述心情识别模型用于识别对象的心情;
信息推送单元,被配置成将所述待识别对象的心情信息推送给所述用户。
7.根据权利要求6所述的装置,其中,所述装置还包括:
音频接收单元,被配置成接收所述用户发送的对所述待识别对象发出的声音进行录制所得到的待识别音频;以及
所述心情识别单元进一步被配置成:
将所述待识别视频和所述待识别音频输入至所述心情识别模型,得到所述待识别对象的心情信息。
8.根据权利要求7所述的装置,其中,所述心情识别模型包括第一特征提取网络、第二特征提取网络和分类网络。
9.根据权利要求8所述的装置,其中,所述心情识别单元包括:
动作特征提取子单元,被配置成将所述待识别视频输入至所述第一特征提取网络,得到所述待识别对象的动作特征;
声音特征提取子单元,被配置成将所述待识别音频输入至所述第二特征提取网络,得到所述待识别对象的声音特征;
特征合并子单元,被配置成将所述动作特征和所述声音特征合并,得到合并特征;
心情识别子单元,被配置成环将所述合并特征输入至所述分类网络,得到所述待识别对象的心情信息。
10.根据权利要求7-9之一所述的装置,其中,所述心情识别模型通过如下步骤训练得到:
获取训练样本,其中,所述训练样本包括样本视频、样本音频和样本心情标签,所述样本视频是对样本对象进行拍摄所得到的视频,所述样本音频是对所述样本对象发出的声音进行录制所得到的音频,所述样本心情标签用于标识所述样本对象的心情信息;
将所述样本视频和所述样本音频作为输入,将所述样本心情标签作为输出,训练得到所述心情识别模型。
11.一种服务器,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
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 |
---|---|---|---|
CN201910169307.7A CN109919090A (zh) | 2019-03-06 | 2019-03-06 | 用于推送信息的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910169307.7A CN109919090A (zh) | 2019-03-06 | 2019-03-06 | 用于推送信息的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109919090A true CN109919090A (zh) | 2019-06-21 |
Family
ID=66963552
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910169307.7A Pending CN109919090A (zh) | 2019-03-06 | 2019-03-06 | 用于推送信息的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109919090A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722246A (zh) * | 2012-05-30 | 2012-10-10 | 南京邮电大学 | 一种基于人脸信息识别的虚拟宠物情感表达方法 |
CN103309449A (zh) * | 2012-12-17 | 2013-09-18 | 广东欧珀移动通信有限公司 | 基于面部表情识别自动切换壁纸的移动终端及其方法 |
CN108460364A (zh) * | 2018-03-27 | 2018-08-28 | 百度在线网络技术(北京)有限公司 | 用于生成信息的方法和装置 |
-
2019
- 2019-03-06 CN CN201910169307.7A patent/CN109919090A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722246A (zh) * | 2012-05-30 | 2012-10-10 | 南京邮电大学 | 一种基于人脸信息识别的虚拟宠物情感表达方法 |
CN103309449A (zh) * | 2012-12-17 | 2013-09-18 | 广东欧珀移动通信有限公司 | 基于面部表情识别自动切换壁纸的移动终端及其方法 |
CN108460364A (zh) * | 2018-03-27 | 2018-08-28 | 百度在线网络技术(北京)有限公司 | 用于生成信息的方法和装置 |
Non-Patent Citations (5)
Title |
---|
杨铁军: "《产业专利分析报告(第33册)-智能识别》", 30 June 2015 * |
柳杨: "《北京邮电大学出版社》", 30 January 2018 * |
颜志国: "《东南大学出版社》", 30 June 2017 * |
高志强: "《深度学习 从入门到实战》", 30 June 2018 * |
黄孝平: "《当代机器深度学习方法与应用研究》", 30 November 2017 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108989882B (zh) | 用于输出视频中的音乐片段的方法和装置 | |
CN108446390A (zh) | 用于推送信息的方法和装置 | |
CN108446385A (zh) | 用于生成信息的方法和装置 | |
CN110288049A (zh) | 用于生成图像识别模型的方法和装置 | |
CN108805091A (zh) | 用于生成模型的方法和装置 | |
CN108830235A (zh) | 用于生成信息的方法和装置 | |
CN109034069A (zh) | 用于生成信息的方法和装置 | |
CN108345387A (zh) | 用于输出信息的方法和装置 | |
CN109618236A (zh) | 视频评论处理方法和装置 | |
CN108986169A (zh) | 用于处理图像的方法和装置 | |
CN109993150A (zh) | 用于识别年龄的方法和装置 | |
CN110401844A (zh) | 视频直播策略的生成方法、装置、设备及可读介质 | |
CN110188719A (zh) | 目标跟踪方法和装置 | |
CN109829432A (zh) | 用于生成信息的方法和装置 | |
CN108960316A (zh) | 用于生成模型的方法和装置 | |
CN109977839A (zh) | 信息处理方法和装置 | |
CN108509611A (zh) | 用于推送信息的方法和装置 | |
CN109857908A (zh) | 用于匹配视频的方法和装置 | |
CN109582825A (zh) | 用于生成信息的方法和装置 | |
CN110084317A (zh) | 用于识别图像的方法和装置 | |
CN108924381A (zh) | 图像处理方法、图像处理装置及计算机可读介质 | |
CN108959087A (zh) | 测试方法和装置 | |
CN108492393A (zh) | 用于签到的方法和装置 | |
CN109389182A (zh) | 用于生成信息的方法和装置 | |
CN109873756A (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 |