CN110991329A - 一种语义分析方法及装置、电子设备和存储介质 - Google Patents
一种语义分析方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN110991329A CN110991329A CN201911205544.0A CN201911205544A CN110991329A CN 110991329 A CN110991329 A CN 110991329A CN 201911205544 A CN201911205544 A CN 201911205544A CN 110991329 A CN110991329 A CN 110991329A
- Authority
- CN
- China
- Prior art keywords
- analysis
- network
- recognition
- frame
- voice
- 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.)
- Withdrawn
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 267
- 238000000034 method Methods 0.000 claims abstract description 64
- 238000013528 artificial neural network Methods 0.000 claims abstract description 48
- 230000008921 facial expression Effects 0.000 claims description 72
- 238000012545 processing Methods 0.000 claims description 66
- 230000009467 reduction Effects 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 description 39
- 238000010586 diagram Methods 0.000 description 20
- 230000006870 function Effects 0.000 description 9
- 230000014509 gene expression Effects 0.000 description 8
- 238000007781 pre-processing Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 5
- 238000000926 separation method Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000001815 facial effect Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008451 emotion Effects 0.000 description 3
- 238000005538 encapsulation Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013144 data compression Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
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
- G06V40/10—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
- G06V40/161—Detection; Localisation; Normalisation
-
- 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
-
- 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
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/16—Speech classification or search using artificial neural networks
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/26—Speech to text systems
Abstract
本公开涉及一种语义分析方法及装置、电子设备和存储介质，其中，该方法包括取图像帧及与所述图像帧对应的语音帧；从所述图像帧中识别出人脸区域；根据用于识别分析的神经网络，对所述人脸区域及所述语音帧中提取的语音信息进行识别分析，得到分析结果。采用本公开，可以提高分析结果的精确度。
Description
技术领域
本公开涉及人工智能技术领域，尤其涉及一种语义分析方法及装置、电子设备和存储介质。
背景技术
在商务洽谈、技术讨论、主题演讲等用户沟通场景中，为了提高沟通效率，可以对用户脸部表情及谈话内容等信息进行分析。然而，目前的分析是基于用户的主观判断依据来进行分析，无法得到精确的分析结果，分析结果不精确会增加用户沟通的障碍和歧义。
发明内容
本公开提出了一种语义分析处理的技术方案。
根据本公开的一方面，提供了一种语义分析方法，所述方法包括：
获取图像帧及与所述图像帧对应的语音帧；
从所述图像帧中识别出人脸区域；
根据用于识别分析的神经网络，对所述人脸区域及所述语音帧中提取的语音信息进行识别分析，得到分析结果。
采用本公开，由于识别分析的过程可以基于神经网络，而应用神经网络予以分析可以根据大量先验结论和大量的训练样本得到客观的分析结果，因此，基于识别分析的神经网络对人脸区域及语音帧中提取的语音信息进行识别分析，可以提高分析结果的精确度。
可能的实现方式中，所述获取图像帧及与所述图像帧对应的语音帧之前，所述方法还包括：
采集多个视频帧；
从所述多个视频帧的同一待处理视频帧中，分离出所述图像帧和所述语音帧。
采用本公开，可以从同一待处理视频帧中，分离出所述图像帧和所述语音帧，能更好地确保音画同步，从而提高识别分析效果，以得到更为准确的分析结果。
可能的实现方式中，所述多个视频帧为实时采集的视频帧的情况下，所述从所述多个视频帧的同一视频帧中，分离出所述图像帧和所述语音帧之前，所述方法还包括：
对所述实时采集的视频帧进行降噪处理，将降噪处理后的视频帧作为所述待处理视频帧。
采用本公开，可以对实时采集的视频帧进行降噪处理，则将降噪处理后的视频帧作为待处理视频帧进行该图像帧和该语音帧的分离，可以达到更好的识别分析效果，以得到更为准确的分析结果。
可能的实现方式中，所述从所述图像帧中识别出人脸区域，包括：
根据所述图像帧中多个特征向量的聚类处理，得到聚类结果；
根据所述聚类结果，识别出所述人脸区域。
采用本公开，可以对图像帧中多个特征向量的聚类处理，以得到聚类结果，可以根据聚类结果，识别出人脸区域，以根据该人脸区域分析得到人脸表情，用于针对人脸表情的分析处理。
可能的实现方式中，所述根据用于识别分析的神经网络包括：用于人脸表情识别的第一识别网络、用于语音识别的第二识别网络及用于语义分析的分析网络；
所述第一识别网络、所述第二识别网络及所述分析网络，分别经过各自训练样本的神经网络训练所得到。
采用本公开，可以通过各个神经网络，如第一识别网络、第二识别网络及分析网络分别执行相应的处理，可以提高识别及分析处理效果。而且，该各个神经网络都是基于各自训练样本的神经网络训练所得到，识别及分析处理的精度高。
可能的实现方式中，所述根据用于识别分析的神经网络，对所述人脸区域及所述语音帧中提取的语音信息进行识别分析，得到分析结果，包括：
根据所述第一识别网络，对所述人脸区域进行特征提取及特征分类，根据分类结果得到脸部表情；
根据所述第二识别网络，对所述语音信息进行识别及转换，得到文字内容；
根据所述分析网络，对所述文字内容所表达的语义和/或所述脸部表情进行分析，得到所述分析结果。
采用本公开，可以根据第一识别网络对所述人脸区域进行特征提取及特征分类，以根据分类结果得到脸部表情。可以根据第二识别网络对语音信息进行识别及转换，以得到文字内容。可以根据分析网络对文字内容所表达的语义和/或脸部表情进行分析，得到分析结果。由于可以根据多种识别结果进行分析，因此，可以得到更为准确的分析结果。
可能的实现方式中，所述根据所述分析网络，对所述文字内容所表达的语义和/或所述脸部表情进行分析，得到所述分析结果，还包括：
从所述语音信息中提取语调；
将所述语调输入所述分析网络中，并与所表达的语义和/或所述脸部表情进行分析，得到所述分析结果。
采用本公开，可以从语音信息中提取语调，将语调输入分析网络中，并与所表达的语义和/或所述脸部表情进行分析，由于考虑到语调差异所导致的最终分析结果的差异，此时根据包括语调的多种识别结果进行分析，可以得到更为准确的分析结果。
可能的实现方式中，所述根据所述分析网络，对所述文字内容所表达的语义和/或脸部表情进行分析，得到所述分析结果，还包括：
获取当前语言场合的语境；
将所述语境输入所述分析网络中，并与所表达的语义和/或所述脸部表情进行分析，得到所述分析结果。
采用本公开，可以获取当前语言场合的语境，将语境输入分析网络中，并与所表达的语义和/或脸部表情进行分析，由于考虑到语境差异所导致的最终分析结果的差异，此时根据包括语境的多种识别结果进行分析，可以得到更为准确的分析结果。
可能的实现方式中，所述得到分析结果之后，所述方法还包括：
根据所述分析结果，得到用户推荐方案；
所述用户推荐方案包括：对应当前分析结果的推荐方案、或者历史分析结果中的参考推荐方案。
采用本公开，可以根据分析结果得到用户推荐方案，该用户推荐方案包括：对应当前分析结果的推荐方案、或者历史分析结果中的参考推荐方案，则用户得到该用户推荐方案后，可以确定当前用户沟通的真实意思表达，从而执行下一步的预期沟通反馈。
根据本公开的一方面，提供了一种语义分析装置，所述装置包括：
获取单元，用于获取图像帧及与所述图像帧对应的语音帧；
识别单元，用于从所述图像帧中识别出人脸区域；
分析单元，用于根据用于识别分析的神经网络，对所述人脸区域及所述语音帧中提取的语音信息进行识别分析，得到分析结果。
可能的实现方式中，所述装置还包括帧分离单元，用于：
采集多个视频帧；
从所述多个视频帧的同一待处理视频帧中，分离出所述图像帧和所述语音帧。
可能的实现方式中，所述多个视频帧为实时采集的视频帧的情况下，所述装置还包括降噪处理单元，用于：
对所述实时采集的视频帧进行降噪处理，将降噪处理后的视频帧作为所述待处理视频帧。
可能的实现方式中，所述识别单元，用于：
根据所述图像帧中多个特征向量的聚类处理，得到聚类结果；
根据所述聚类结果，识别出所述人脸区域。
可能的实现方式中，所述根据用于识别分析的神经网络包括：用于人脸表情识别的第一识别网络、用于语音识别的第二识别网络及用于语义分析的分析网络；
所述第一识别网络、所述第二识别网络及所述分析网络，分别经过各自训练样本的神经网络训练所得到。
可能的实现方式中，所述分析单元，用于：
根据所述第一识别网络，对所述人脸区域进行特征提取及特征分类，根据分类结果得到脸部表情；
根据所述第二识别网络，对所述语音信息进行识别及转换，得到文字内容；
根据所述分析网络，对所述文字内容所表达的语义和/或所述脸部表情进行分析，得到所述分析结果。
可能的实现方式中，所述分析单元，还用于：
从所述语音信息中提取语调；
将所述语调输入所述分析网络中，并与所表达的语义和/或所述脸部表情进行分析，得到所述分析结果。
可能的实现方式中，所述分析单元，还用于：
获取当前语言场合的语境；
将所述语境输入所述分析网络中，并与所表达的语义和/或所述脸部表情进行分析，得到所述分析结果。
可能的实现方式中，所述装置还包括推荐单元，用于：
根据所述分析结果，得到用户推荐方案；
所述用户推荐方案包括：对应当前分析结果的推荐方案、或者历史分析结果中的参考推荐方案。
根据本公开的一方面，提供了一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：执行上述语义分析方法。
根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述语义分析方法。
在本公开实施例中，获取图像帧及与所述图像帧对应的语音帧；从所述图像帧中识别出人脸区域；根据用于识别分析的神经网络，对所述人脸区域及所述语音帧中提取的语音信息进行识别分析，得到分析结果。采用本公开，由于识别分析的过程可以基于神经网络，而应用神经网络予以分析可以根据大量先验结论和大量的训练样本得到客观的分析结果，因此，基于识别分析的神经网络对人脸区域及语音帧中提取的语音信息进行识别分析，可以提高分析结果的精确度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的语义分析方法的流程图。
图2示出根据本公开实施例的语义分析沟通的流程图。
图3示出根据本公开实施例的语义分析中视频文件预处理的流程图。
图4示出根据本公开实施例的语义分析沟通的流程图。
图5示出根据本公开实施例的语义分析装置的框图。
图6示出根据本公开实施例的电子设备的框图。
图7示出根据本公开实施例的电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
图1示出根据本公开实施例的语义分析方法的流程图，该方法应用于语义分析装置，例如，该装置部署于终端设备或服务器或其它处理设备执行的情况下，可以执行人脸表情识别、语义识别及语义分析等等。其中，终端设备可以为用户设备(UE，User Equipment)、移动设备、蜂窝电话、无绳电话、个人数字处理(PDA，Personal Digital Assistant)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中，该语义分析方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图1所示，该流程包括：
步骤S101、获取图像帧及与所述图像帧对应的语音帧。
为了提高商务洽谈、技术讨论、主题演讲等用户沟通场景中的沟通效率，可以采集图像帧及收集与该图像帧对应的语音帧，并对图像帧及其对应语音帧进行识别分析，以得到用户沟通意图(如认可、不认可、或者认可程度等)的分析结果。
图像帧及语音帧可以不同渠道分别采集，比如分别采集图像帧及语音帧后再予以同步(即音画同步)，以得到图像帧及其对应音频帧，比如，在一个多用户聊天的场景中，可以通过摄像头采集用户的人脸图像，通过声音采集器采集用户音频，通过人脸匹配同一个人脸图像及其发出的音频，得到图像帧及其对应音频帧。通过同步，可以得到更好的分析结果。
图像帧及语音帧也可以直接从视频流中采集，比如，图像帧及语音帧可以来自于视频流的同一视频帧，比如视频聊天中，可以对视频流解码以得到同一视频帧中的图像帧及其对应音频帧。由于是同一视频帧中的图像帧及其对应音频帧，因此，无需同步，也可以得到更好的分析结果。其中，视频流可以是实时采集的视频流，也可以是预先获取的视频文件。
以图像帧及语音帧也可以直接从视频帧中采集为例，获取图像帧及与所述图像帧对应的语音帧之前，所述方法还包括：采集多个视频帧；对所述多个视频帧的任一待处理视频帧进行解码，并从同一待处理视频帧中，分离出所述图像帧和所述语音帧，简称为“音视频分离”。
该音视频分离，可以通过“解协议”及“解封装”来实现。
其中，就解协议而言，可以将一待处理视频帧(如基于流媒体协议的视频帧)解析为对应封装格式的视频数据，然后对该视频数据进行音视频分离。其中，流媒体协议可以包括：HTTP、RTMP或MMS等等。而且，流媒体协议的视频帧中除了视频数据，还可以包括控制视频数据的控制数据，在解协议的过程中，还可以去除掉控制数据，只保留视频数据，经过解协议处理后，输出视频数据。
其中，就解封装而言，由于有的视频帧封装是采用数据压缩格式，因此，可以对一待处理视频帧在解封装过程中进行解压缩，以得到音频流压缩编码数据及视频流压缩编码数据。其中，数据压缩的封装格式可以包括：MP4，MKV，RMVB，TS，FLV，AVI等等，封装的作用就是将已经压缩编码的视频数据和音频数据按照一定的格式放到一起。解封装操作后，可以解压缩的视频数据，比如，输出H.264编码的视频码流和AAC编码的音频码流。
步骤S102、从所述图像帧中识别出人脸区域。
一示例中，根据所述图像帧中多个特征向量的聚类处理，得到聚类结果；根据所述聚类结果，识别出所述人脸区域。
就聚类而言，可以通过用于人脸识别的网络以识别得到该人脸区域。比如，可以使用PNet网络结构。根据该PNet网络结构获得人脸区域的候选窗口和预设边界框的回归向量。并用该边界框做回归，对该候选窗口进行校准，以将该人脸区域从原始的图片帧中抠出来。比如，在二者校准概率大于设定阈值的情况下，提取对应的人脸区域，并作为目标人脸区域。
步骤S103、根据用于识别分析的神经网络，对所述人脸区域及所述语音帧中提取的语音信息进行识别分析，得到分析结果。
用于识别分析的神经网络，根据输入训练样本(如包括人脸图像和语音信息)的神经网络训练所得到，采用训练后的神经网络，对所述人脸区域及所述语音帧中提取的语音信息进行识别分析，得到分析结果。
一示例中，用于识别分析的神经网络，可以是一个统一的神经网络，也可以是分别用于人脸表情识别，语音识别及语义分析的各个独立的神经网络，或者各自独立且存在联系的神经网络。
一示例中，通过对人脸表情、语音、文字语义等进行识别及分析，得到非常认可、认可、有点认可、有点不认可、不认可等分析结果，通过该分析结果可以得到沟通双方的心里活动，即准确的捕捉到用户沟通意图，以减少用户沟通的障碍和歧义。
相关技术中，比如人脸表情及语音语义等都是通过人为识别及分析，从而，据人为识别及分析得到的分析结果无法得到精确的语义分析结果，比如对某件事情的询问场景中，一个用户提出一个问题后，无法根据其他用户的表情或者说话内容，第一时间判断出其他用户想要表达或所表达语义信息是“认可”、“否定”，还是“非常认可”等沟通意图。
本公开实施例中，采用识别分析的神经网络，由于是基于训练后的神经网络对人脸区域及所述语音帧中提取的语音信息进行识别分析，而应用该神经网络予以识别分析，是根据大量先验结论和大量的训练样本得到客观的分析结果，因此，基于识别分析的神经网络对人脸区域及语音帧中提取的语音信息进行识别分析，可以提高分析结果的精确度。精确的分析结果可以减少用户沟通的障碍和歧义。
可能的实现方式中，所述多个视频帧为实时采集的视频帧的情况下，所述从所述多个视频帧的同一视频帧中，分离出所述图像帧和所述语音帧之前，所述方法还包括：对所述实时采集的视频帧进行降噪处理，将降噪处理后的视频帧作为所述待处理视频帧。由于实时视频的采集，可能在户外，或者室内存在噪音干扰等，导致采集的背景嘈杂，且实时视频采集要想达到高清晰的图像画质，对摄像头采集精度和摄像头部署位置都是有要求的，这会提高硬件成本，因此，对于实时视频，为了提高识别及分析的准确度，需要对实时视频进行降噪处理，以得到画质清晰的图像及音质清晰的语音。
其中，就降噪处理而言，可以对于视频帧中干扰因素，采用运动自适应中区域运动检测的方式来调整用于降噪的滤波权重，如果，对于干扰因素运动较大的区域，减小该滤波权重，对于干扰因素运动小的区域，加大滤波权重，从而得到相对理想的该降噪处理后的视频帧。
可能的实现方式中，用于识别分析的神经网络，可以是分别用于人脸表情识别，语音识别及语义分析的各个独立的神经网络，则该用于识别分析的神经网络包括：用于人脸表情识别的第一识别网络、用于语音识别的第二识别网络及用于语义分析的分析网络。其中，所述第一识别网络、所述第二识别网络及所述分析网络，分别经过各自训练样本的神经网络训练所得到。
可能的实现方式中，所述根据用于识别分析的神经网络，对所述人脸区域及所述语音帧中提取的语音信息进行识别分析，得到分析结果，包括：根据所述第一识别网络，对所述人脸区域进行识别，得到脸部表情；根据所述第二识别网络，对所述语音信息进行识别及转换，得到文字内容；根据所述分析网络，对所述文字内容所表达的语义和/或所述脸部表情进行分析，得到所述分析结果。通过不同网络可以得到多组数据，根据多组数据进行综合分析，可以提高分析结果的准确度。
就根据上述各个网络得到识别及分析处理结果而言，对人脸区域进行识别及语音信息进行识别及转换而言，可以分别根据人脸或语音的特征提取，对提取的特征进行聚类，从而根据聚类进行识别。对于分析处理，可以采用对得到的各个识别结果，与预设多个识别阈值分别比对，在分别超过识别阈值的情况下得到多个分析结果，然后对该多个分析结果进行综合分析，也可以与一个综合分析阈值进行比对，超过该综合分析阈值，则认为分析结果是可靠的，输出该可靠的分析结果。
可能的实现方式中，所述根据所述分析网络，对所述文字内容所表达的语义和/或脸部表情进行分析，得到所述分析结果之后，所述方法还包括：从所述语音信息中提取语调；将所述语调输入所述分析网络中，并与所表达的语义和脸部表情进行分析，得到更新后的分析结果。由于语音信息除了文字内容，还可以包括语调或称为语气(如升调、降调、感叹、叹气等等)，语调也会在一定程度上反映表达意图，则将该语调也作为输入数据，则可以根据分析网络对所述文字内容所表达的语义、脸部表情和/或语调进行分析，更新上述分析结果，可以进一步提高分析结果的准确度。
可能的实现方式中，所述根据所述分析网络，对所述文字内容所表达的语义和/或所述脸部表情进行分析，得到所述分析结果，还包括：从所述语音信息中提取语调；将所述语调输入所述分析网络中，并与所表达的语义和/或所述脸部表情进行分析，得到所述分析结果。采用本公开，可以从语音信息中提取语调，将语调输入分析网络中，并与所表达的语义和/或所述脸部表情进行分析，由于考虑到语调差异所导致的最终分析结果的差异，此时根据包括语调的多种识别结果进行分析，可以得到更为准确的分析结果。
不同语言场合的语境不同，同一文字内容的意思表达是不同的，则针对语境不同，需要进行如下分析：
一可能的实现方式中，所述根据所述分析网络，对所述文字内容所表达的语义和/或脸部表情进行分析，得到所述分析结果之后，所述方法还包括：识别当前语言场合，获取当前语言场合的语境；将所述语境输入所述分析网络中，并与所表达的语义和脸部表情进行分析，得到更新后的分析结果。由于用户在不同语言或场合，或者说语境不同的情况下，同一句话的意图表达也是不同的，则针对语境不同，将该语境也作为输入数据，则可以根据分析网络对所述文字内容所表达的语义、脸部表情和/或语境进行分析，更新上述分析结果，可以进一步提高分析结果的准确度。
另一可能的实现方式中，所述根据所述分析网络，对所述文字内容所表达的语义和/或脸部表情进行分析，得到所述分析结果，还包括：获取当前语言场合的语境；将所述语境输入所述分析网络中，并与所表达的语义和/或所述脸部表情进行分析，得到所述分析结果。采用本公开，可以获取当前语言场合的语境，将语境输入分析网络中，并与所表达的语义和/或脸部表情进行分析，由于考虑到语境差异所导致的最终分析结果的差异，此时根据包括语境的多种识别结果进行分析，可以得到更为准确的分析结果。
就上述提取语调而言，可以通过信号处理工具对该语音帧进行处理，由于不同语调在频率、振幅的方面存在很大区别，因此，可以将提取的不同频率、振幅特征进行分类，以实现对不同语调的提取处理。
就获取语境而言，可以使用诸如基于情感字典和概念层次网络的语境框架来进行当前场合所获取语音帧所存在的情感倾向性分析。可以提取语音帧中的特征词、语句、句群，将它们与预设的词典资源库进行比对，根据比对结果，得到所存在情感倾向性的分析结果。
可能的实现方式中，所述得到分析结果之后，所述方法还包括：根据所述分析结果，得到用户推荐方案；所述用户推荐方案包括：对应当前分析结果的推荐方案、或者历史分析结果中的参考推荐方案。比如，该对应当前分析结果的推荐方案，可以是根据当前实时的分析结果得到的可行交流建议；该历史分析结果中的参考推荐方案，可以是根据历史分析结果得到的可借鉴的沟通方案。
应用示例：
图2示出根据本公开实施例的语义分析沟通的流程图，如图2所示，在基于实时视频进行用户沟通的场景中应用本公开的语义分析方法，包括：
步骤S201、获取待分析的实时视频流并进行预处理(如降噪处理)。
步骤S202、预处理后从实时视频流中分离出图像帧和音频帧，从图像帧中识别出用户的人脸区域。
识别人脸区域的目的是：获取了人脸在视频流图像帧中的脸部位置，可以更好地连续检测人脸表情。
步骤S203、将图像帧和人脸区域输入第一识别网络(如卷积神经网络)，对人脸表情进行识别，得到输出的人脸特征向量，以根据该人脸特征向量来描述人脸表情的类别。
步骤S204、根据该人脸特征向量可以得到人脸表情的类别，从而根据人脸表情的类别进行人脸表情的实时监控，得到人脸表情的识别结果。
一示例中，人脸表情的类别可以分为积极、消极等维度。
步骤S205、将音频帧输入第二识别网络(如卷积神经网络)，对用户语音进行识别及转换，得到输出的对应语音的文字内容。
步骤S206、将对应语音的文字内容(根据识别处理能力的不同，该文字内容可以是通顺的文字内容，也可以是不够通顺的文字内容，还需要进一步的语义分析)输入分析网络(如卷积神经网络)，并结合对人脸表情的实时监控得到的识别结果，得到最终输出的分析结果。
由于是根据人脸表情、语音及语义等多组数据分析得到的分析结果，因此，提高了分析结果的准确度，基本可以判定出一般情况下的用户沟通的意图。
多组数据还可以包括对语调，语境等的分析。也就是说，可以通过多个神经网络(如各个识别网络)分别处理输入的该多组数据中对应的数据(比如，针对第一识别网络，可以输入人脸表情等)，以同时获得用户的人脸表情、语音、语义、语调、语境等识别结果，将这些识别结果进行至少两组识别结果的组合，之后可以再利用统一的神经网络(如分析网络)来综合多组数据分析，可以节约分析时间，不仅提高了分析结果的准确度，还提高了分析的处理效率。
得到输出的分析结果之后，还可以将该分析结果反馈给用户进行查看，以确认是否认可该分析结果(即用户沟通场景中的沟通交流结果)，如果用户确认“可以认可该分析结果”，则将对应场景的该分析结果存入信息库；如果用户确认“不予认可该分析结果”，则可以从信息库中调取历史分析结果列表，用户自行选择或者智能推荐给用户可能的分析结果，以帮助用户下一步交流沟通的判断处理。
图3示出根据本公开实施例的语义分析中视频文件预处理的流程图，如图3所示，视频文件包括待分析的实时视频流或非实时的视频文件，包括：
步骤S301、获取待分析的实时视频流、或非实时的视频文件。
可以统一数据类型，并适配统一的存储设备。需要对不同文件类型(实时视频流或非实时的视频文件)进行区分处理，将一类文件统一存储。
针对实时视频流，由于可能采集视频流时存在各种干扰噪音，或者采集清晰度不高，需要对实时视频流进行预处理，比如，进行视频流中语音帧的降噪处理，得到降噪语音，又如，进行视频流中有助于提高图像清晰度的图像预处理，以得到处理后更为清晰的图像，使得人脸图像可以清晰到解析人脸表情。其中，对于图像预处理，还可以在该图像预处理的过程中执行人脸表情识别操作，以将该人脸表情识别操作得到的识别结果作为训练样本输入神经网络，从而提高网络处理速度。对于非实时的视频文件，通常不需要降噪处理及提高图像清晰度的预处理，当然，也可以事先执行人脸表情识别操作，以将该人脸表情识别操作得到的识别结果作为训练样本输入神经网络，从而提高网络处理速度。
步骤S302、判断是否为实时视频流，如果是，则执行步骤S303，否则，执行步骤S304。
步骤S303、对实时视频流进行降噪处理及人脸表情识别，得到识别结果。然后转入执行步骤S305。
步骤S304、对非实时的视频文件，进行人脸表情识别，得到识别结果。
步骤S305、将语音转换为可分析的文字内容。
图4示出根据本公开实施例的语义分析沟通的流程图，如图4所示，利用神经网络分析实时视频流或非实时视频文件中人脸表情及语音语义等，得到分析结果，包括：
步骤S401、输入图像帧及人脸区域，根据第一识别网络对人脸特征信息进行识别，得到脸部表情。
步骤S402、输入语音帧，根据第二识别网络，对语音帧的语音信息进行识别及转换，得到文字内容。
步骤S403、根据分析网络，对所述文字内容所表达的语义和/或脸部表情进行分析，得到分析结果。
步骤S404、将分析结果输出给用户。
一示例中，可以根据多张图像频进行分析，比如对包含人脸图像的多种图像帧前后5秒内的表情变化进行分析，以理解用户真正表达的沟通意图。设置5秒的好处是：对于5秒内的表情变化进行分析，及对应其话语表达内容的计算量对于计算能力和存储的要求不会过高，同时也基本满足推断视频中人像所想表达的真正沟通意图的目的。本公开不限于5秒，能在计算能力、存储能力及分析准确度之间保持平衡即可。输出分析结果给用户后，用户可以判断是否认可该分析结果，同时，还可以根据历史分析结果给用户输出建议方案，从而，对于用户沟通场景，可以给予用户多种选择，并提供可行的交流建议和可借鉴的沟通方案。
本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。
此外，本公开还提供了语义分析装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种语义分析方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
图5示出根据本公开实施例的语义分析装置的框图，如图5所示，该处理装置，包括：获取单元31，用于获取图像帧及与所述图像帧对应的语音帧；识别单元，用于从所述图像帧中识别出人脸区域；分析单元32，用于根据用于识别分析的神经网络，对所述人脸区域及所述语音帧中提取的语音信息进行识别分析，得到分析结果。
可能的实现方式中，所述装置还包括帧分离单元，用于：采集多个视频帧；从所述多个视频帧的同一待处理视频帧中，分离出所述图像帧和所述语音帧。
可能的实现方式中，所述多个视频帧为实时采集的视频帧的情况下，所述装置还包括降噪处理单元，用于：对所述实时采集的视频帧进行降噪处理，将降噪处理后的视频帧作为所述待处理视频帧。
可能的实现方式中，所述识别单元，用于：根据所述图像帧中多个特征向量的聚类处理，得到聚类结果；根据所述聚类结果，识别出所述人脸区域。
可能的实现方式中，所述根据用于识别分析的神经网络包括：用于人脸表情识别的第一识别网络、用于语音识别的第二识别网络及用于语义分析的分析网络；所述第一识别网络、所述第二识别网络及所述分析网络，分别经过各自训练样本的神经网络训练所得到。
可能的实现方式中，所述分析单元，用于：根据所述第一识别网络，对所述人脸区域进行特征提取及特征分类，根据分类结果得到脸部表情；根据所述第二识别网络，对所述语音信息进行识别及转换，得到文字内容；根据所述分析网络，对所述文字内容所表达的语义和/或所述脸部表情进行分析，得到所述分析结果。
可能的实现方式中，所述分析单元，还用于：从所述语音信息中提取语调；将所述语调输入所述分析网络中，并与所表达的语义和/或所述脸部表情进行分析，得到所述分析结果。
可能的实现方式中，所述分析单元，还用于：获取当前语言场合的语境；将所述语境输入所述分析网络中，并与所表达的语义和/或所述脸部表情进行分析，得到所述分析结果。
可能的实现方式中，所述装置还包括推荐单元，用于：根据所述分析结果，得到用户推荐方案；所述用户推荐方案包括：对应当前分析结果的推荐方案、或者历史分析结果中的参考推荐方案。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是易失性计算机可读存储介质或非易失性计算机可读存储介质。
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，当计算机可读代码在设备上运行时，设备中的处理器执行用于实现如上任一实施例提供的语义分析方法的指令。
本公开实施例还提供了另一种计算机程序产品，用于存储计算机可读指令，指令被执行时使得计算机执行上述任一实施例提供的语义分析方法的操作。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图6是根据一示例性实施例示出的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图6，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图7是根据一示例性实施例示出的一种电子设备900的框图。例如，电子设备900可以被提供为一服务器。参照图7，电子设备900包括处理组件922，其进一步包括一个或多个处理器，以及由存储器932所代表的存储器资源，用于存储可由处理组件922的执行的指令，例如应用程序。存储器932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件922被配置为执行指令，以执行上述方法。
电子设备900还可以包括一个电源组件926被配置为执行电子设备900的电源管理，一个有线或无线网络接口950被配置为将电子设备900连接到网络，和一个输入输出(I/O)接口958。电子设备900可以操作基于存储在存储器932的操作系统，例如WindowsServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器932，上述计算机程序指令可由电子设备900的处理组件922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令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)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、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、程序段或指令的一部分，所述模块、程序段或指令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。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，两个连续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动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。
在不违背逻辑的情况下，本申请不同实施例之间可以相互结合，不同实施例描述有所侧重，为侧重描述的部分可以参见其他实施例的记载。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种语义分析方法，其特征在于，所述方法包括：
获取图像帧及与所述图像帧对应的语音帧；
从所述图像帧中识别出人脸区域；
根据用于识别分析的神经网络，对所述人脸区域及所述语音帧中提取的语音信息进行识别分析，得到分析结果。
2.根据权利要求1所述的方法，其特征在于，所述获取图像帧及与所述图像帧对应的语音帧之前，所述方法还包括：
采集多个视频帧；
从所述多个视频帧的同一待处理视频帧中，分离出所述图像帧和所述语音帧。
3.根据权利要求2所述的方法，其特征在于，所述多个视频帧为实时采集的视频帧的情况下，所述从所述多个视频帧的同一视频帧中，分离出所述图像帧和所述语音帧之前，所述方法还包括：
对所述实时采集的视频帧进行降噪处理，将降噪处理后的视频帧作为所述待处理视频帧。
4.根据权利要求1-3中任一项所述的方法，其特征在于，所述从所述图像帧中识别出人脸区域，包括：
根据所述图像帧中多个特征向量的聚类处理，得到聚类结果；
根据所述聚类结果，识别出所述人脸区域。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述根据用于识别分析的神经网络包括：用于人脸表情识别的第一识别网络、用于语音识别的第二识别网络及用于语义分析的分析网络；
所述第一识别网络、所述第二识别网络及所述分析网络，分别经过各自训练样本的神经网络训练所得到。
6.根据权利要求5所述的方法，其特征在于，所述根据用于识别分析的神经网络，对所述人脸区域及所述语音帧中提取的语音信息进行识别分析，得到分析结果，包括：
根据所述第一识别网络，对所述人脸区域进行特征提取及特征分类，根据分类结果得到脸部表情；
根据所述第二识别网络，对所述语音信息进行识别及转换，得到文字内容；
根据所述分析网络，对所述文字内容所表达的语义和/或所述脸部表情进行分析，得到所述分析结果。
7.根据权利要求6所述的方法，其特征在于，所述根据所述分析网络，对所述文字内容所表达的语义和/或所述脸部表情进行分析，得到所述分析结果，还包括：
从所述语音信息中提取语调；
将所述语调输入所述分析网络中，并与所表达的语义和/或所述脸部表情进行分析，得到所述分析结果。
8.一种语义分析装置，其特征在于，所述装置包括：
获取单元，用于获取图像帧及与所述图像帧对应的语音帧；
识别单元，用于从所述图像帧中识别出人脸区域；
分析单元，用于根据用于识别分析的神经网络，对所述人脸区域及所述语音帧中提取的语音信息进行识别分析，得到分析结果。
9.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：执行权利要求1至权利要求7中任意一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至权利要求7中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911205544.0A CN110991329A (zh) | 2019-11-29 | 2019-11-29 | 一种语义分析方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911205544.0A CN110991329A (zh) | 2019-11-29 | 2019-11-29 | 一种语义分析方法及装置、电子设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110991329A true CN110991329A (zh) | 2020-04-10 |
Family
ID=70088624
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911205544.0A Withdrawn CN110991329A (zh) | 2019-11-29 | 2019-11-29 | 一种语义分析方法及装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110991329A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111783892A (zh) * | 2020-07-06 | 2020-10-16 | 广东工业大学 | 一种机器人指令识别方法、装置及电子设备和存储介质 |
| CN112017633A (zh) * | 2020-09-10 | 2020-12-01 | 北京地平线信息技术有限公司 | 语音识别方法、装置、存储介质及电子设备 |
| CN112687260A (zh) * | 2020-11-17 | 2021-04-20 | 珠海格力电器股份有限公司 | 基于人脸识别的表情判断语音识别方法、服务器及空调 |
| WO2022062800A1 (zh) * | 2020-09-25 | 2022-03-31 | 华为技术有限公司 | 语音分离方法、电子设备、芯片及计算机可读存储介质 |
| WO2022242381A1 (zh) * | 2021-05-21 | 2022-11-24 | 上海商汤智能科技有限公司 | 图像生成方法、装置、设备以及存储介质 |
| WO2023273063A1 (zh) * | 2021-06-30 | 2023-01-05 | 上海商汤临港智能科技有限公司 | 乘员说话检测方法及装置、电子设备和存储介质 |
| CN112017633B (zh) * | 2020-09-10 | 2024-04-26 | 北京地平线信息技术有限公司 | 语音识别方法、装置、存储介质及电子设备 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101187990A (zh) * | 2007-12-14 | 2008-05-28 | 华南理工大学 | 一种会话机器人系统 |
| CN104836720A (zh) * | 2014-02-12 | 2015-08-12 | 北京三星通信技术研究有限公司 | 交互式通信中进行信息推荐的方法及装置 |
| CN105700682A (zh) * | 2016-01-08 | 2016-06-22 | 北京乐驾科技有限公司 | 基于视觉和语音的智能性别、情绪识别检测系统及方法 |
| CN106502382A (zh) * | 2016-09-21 | 2017-03-15 | 北京光年无限科技有限公司 | 用于智能机器人的主动交互方法和系统 |
| CN108197115A (zh) * | 2018-01-26 | 2018-06-22 | 上海智臻智能网络科技股份有限公司 | 智能交互方法、装置、计算机设备和计算机可读存储介质 |
| CN108805089A (zh) * | 2018-06-14 | 2018-11-13 | 南京云思创智信息科技有限公司 | 基于多模态的情绪识别方法 |
| CN109036405A (zh) * | 2018-07-27 | 2018-12-18 | 百度在线网络技术（北京）有限公司 | 语音交互方法、装置、设备及存储介质 |
| CN110033659A (zh) * | 2019-04-26 | 2019-07-19 | 北京大米科技有限公司 | 一种远程教学互动方法、服务器、终端以及系统 |
| CN110263653A (zh) * | 2019-05-23 | 2019-09-20 | 广东鼎义互联科技股份有限公司 | 一种基于深度学习技术的场景分析系统及其方法 |
| CN110349577A (zh) * | 2019-06-19 | 2019-10-18 | 深圳前海达闼云端智能科技有限公司 | 人机交互方法、装置、存储介质及电子设备 |
-
2019
- 2019-11-29 CN CN201911205544.0A patent/CN110991329A/zh not_active Withdrawn
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101187990A (zh) * | 2007-12-14 | 2008-05-28 | 华南理工大学 | 一种会话机器人系统 |
| CN104836720A (zh) * | 2014-02-12 | 2015-08-12 | 北京三星通信技术研究有限公司 | 交互式通信中进行信息推荐的方法及装置 |
| CN105700682A (zh) * | 2016-01-08 | 2016-06-22 | 北京乐驾科技有限公司 | 基于视觉和语音的智能性别、情绪识别检测系统及方法 |
| CN106502382A (zh) * | 2016-09-21 | 2017-03-15 | 北京光年无限科技有限公司 | 用于智能机器人的主动交互方法和系统 |
| CN108197115A (zh) * | 2018-01-26 | 2018-06-22 | 上海智臻智能网络科技股份有限公司 | 智能交互方法、装置、计算机设备和计算机可读存储介质 |
| CN108805089A (zh) * | 2018-06-14 | 2018-11-13 | 南京云思创智信息科技有限公司 | 基于多模态的情绪识别方法 |
| CN109036405A (zh) * | 2018-07-27 | 2018-12-18 | 百度在线网络技术（北京）有限公司 | 语音交互方法、装置、设备及存储介质 |
| CN110033659A (zh) * | 2019-04-26 | 2019-07-19 | 北京大米科技有限公司 | 一种远程教学互动方法、服务器、终端以及系统 |
| CN110263653A (zh) * | 2019-05-23 | 2019-09-20 | 广东鼎义互联科技股份有限公司 | 一种基于深度学习技术的场景分析系统及其方法 |
| CN110349577A (zh) * | 2019-06-19 | 2019-10-18 | 深圳前海达闼云端智能科技有限公司 | 人机交互方法、装置、存储介质及电子设备 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111783892A (zh) * | 2020-07-06 | 2020-10-16 | 广东工业大学 | 一种机器人指令识别方法、装置及电子设备和存储介质 |
| CN111783892B (zh) * | 2020-07-06 | 2021-10-01 | 广东工业大学 | 一种机器人指令识别方法、装置及电子设备和存储介质 |
| CN112017633A (zh) * | 2020-09-10 | 2020-12-01 | 北京地平线信息技术有限公司 | 语音识别方法、装置、存储介质及电子设备 |
| CN112017633B (zh) * | 2020-09-10 | 2024-04-26 | 北京地平线信息技术有限公司 | 语音识别方法、装置、存储介质及电子设备 |
| WO2022062800A1 (zh) * | 2020-09-25 | 2022-03-31 | 华为技术有限公司 | 语音分离方法、电子设备、芯片及计算机可读存储介质 |
| CN112687260A (zh) * | 2020-11-17 | 2021-04-20 | 珠海格力电器股份有限公司 | 基于人脸识别的表情判断语音识别方法、服务器及空调 |
| WO2022242381A1 (zh) * | 2021-05-21 | 2022-11-24 | 上海商汤智能科技有限公司 | 图像生成方法、装置、设备以及存储介质 |
| WO2023273063A1 (zh) * | 2021-06-30 | 2023-01-05 | 上海商汤临港智能科技有限公司 | 乘员说话检测方法及装置、电子设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110991329A (zh) | 一种语义分析方法及装置、电子设备和存储介质 | |
| CN109257645B (zh) | 视频封面生成方法及装置 | |
| CN110210310B (zh) | 一种视频处理方法、装置和用于视频处理的装置 | |
| CN109887515B (zh) | 音频处理方法及装置、电子设备和存储介质 | |
| CN110097890B (zh) | 一种语音处理方法、装置和用于语音处理的装置 | |
| CN108985176B (zh) | 图像生成方法及装置 | |
| CN110858924B (zh) | 视频背景音乐的生成方法、装置及存储介质 | |
| CN107945806B (zh) | 基于声音特征的用户识别方法及装置 | |
| CN113362812B (zh) | 一种语音识别方法、装置和电子设备 | |
| CN108364635B (zh) | 一种语音识别的方法和装置 | |
| CN111242303A (zh) | 网络训练方法及装置、图像处理方法及装置 | |
| US11354520B2 (en) | Data processing method and apparatus providing translation based on acoustic model, and storage medium | |
| CN110121106A (zh) | 视频播放方法及装置 | |
| CN110990534A (zh) | 一种数据处理方法、装置和用于数据处理的装置 | |
| CN111160047A (zh) | 一种数据处理方法、装置和用于数据处理的装置 | |
| CN110633715B (zh) | 图像处理方法、网络训练方法及装置、和电子设备 | |
| CN111382748A (zh) | 图像翻译方法、装置及存储介质 | |
| CN110232181B (zh) | 评论分析方法及装置 | |
| CN109992754B (zh) | 文档处理方法及装置 | |
| CN113691833B (zh) | 虚拟主播换脸方法、装置、电子设备及存储介质 | |
| CN112820300A (zh) | 音频处理方法及装置、终端、存储介质 | |
| CN109189822B (zh) | 数据处理方法及装置 | |
| CN113115104B (zh) | 视频处理方法、装置、电子设备及存储介质 | |
| CN110931013B (zh) | 一种语音数据的处理方法及装置 | |
| CN112818841A (zh) | 一种识别用户情绪的方法及相关装置 |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200410 |