CN111768481B - 一种表情包生成方法及装置 - Google Patents
一种表情包生成方法及装置 Download PDFInfo
- Publication number
- CN111768481B CN111768481B CN202010426632.XA CN202010426632A CN111768481B CN 111768481 B CN111768481 B CN 111768481B CN 202010426632 A CN202010426632 A CN 202010426632A CN 111768481 B CN111768481 B CN 111768481B
- Authority
- CN
- China
- Prior art keywords
- expression
- pictures
- picture
- category
- 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
- 230000014509 gene expression Effects 0.000 title claims abstract description 445
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 79
- 238000012545 processing Methods 0.000 claims abstract description 19
- 230000008451 emotion Effects 0.000 claims abstract description 11
- 238000003062 neural network model Methods 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims description 27
- 239000013598 vector Substances 0.000 claims description 17
- 210000000988 bone and bone Anatomy 0.000 claims description 4
- 238000004891 communication Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000013500 data storage Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T13/00—Animation
- G06T13/80—2D [Two Dimensional] animation, e.g. using sprites
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
一种表情包生成方法及装置，应用于神经网络模型技术领域，方法包括：获取多张卡通人物的表情图片；针对每张表情图片，将该表情图片输入至预先训练的表情识别模型，输出该表情图片的类别，其中，所述表情识别模型是根据数据增强处理后的卡通人物的表情图片样本对预设模型训练得到的；从所述多张表情图片中，获取类型相同的表情图片，并依据获取到的表情图片生成动态表情包。本申请可以识别卡通人物的表情类别，从而根据表情类别生成表达不同情绪的表情包。
Description
技术领域
本申请涉及神经网络模型技术领域，尤其涉及一种表情包生成方法及装置。
背景技术
表情包是社交软件上的一种流行文化，目前，表情包的内容大多是关于真实人脸的，针对动漫、卡通等卡通人物的表情包还很少，少数的卡通人物的表情包也是人工用截取工具截取出的图片或动图，人工截取的方法效率较低。因此，本申请提出了一种表情包生成方法及装置。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题，本申请提供了一种。
第一方面，本申请提供了一种表情包生成方法，所述方法包括：
获取多张卡通人物的表情图片；
针对每张表情图片，将该表情图片输入至预先训练的表情识别模型，输出该表情图片的类别，其中，所述表情识别模型是根据数据增强处理后的卡通人物的表情图片样本对预设模型训练得到的；
从所述多张表情图片中，获取类型相同的表情图片，并依据获取到的表情图片生成动态表情包。
可选的，所述预设模型为神经网络模型，所述表情识别模型包括Backbone网络模型和全连接层；
所述针对每张表情图片，将该表情图片输入至预先训练的表情识别模型，输出该表情图片的类别，包括：
针对每张表情图片，将该表情图片输入至预先训练的所述Backbone网络模型，并输出该表情图片的特征向量；
通过全连接层和所述特征向量，计算该表情图片分别属于各表情类别的概率值；
从输出的概率值中，选取最大的概率值对应的类别作为该表情图片的类别。
可选的，所述依据获取到的表情图片生成动态表情包，包括：
从获取到的类型相同的表情图片中，识别各表情图片对应的人物身份信息；
获取人物身份信息相同的表情图片，并依据获取到的表情图片生成动态表情包。
可选的，所述获取多张卡通人物的表情图片之前，所述方法还包括：
获取卡通人物的表情图片样本，所述表情图片样本携带有样本类别，其中，所述样本类别为所述表情图片样本中的表情对应的情绪类别；
通过所述表情图片样本对所述预设模型进行训练，得到训练后的表情识别模型。
可选的，所述通过所述表情图片样本对所述预设模型进行训练，得到训练后的表情识别模型之后，所述方法还包括：
将测试表情图片输入训练后的表情识别模型，并输出所述测试表情图片分别属于各表情类别的训练概率值；
从输出的训练概率值中选取最大的训练概率值，并判断该训练概率值对应的类别是否与所述测试表情图片的预设样本类别相同；
若该训练概率值对应的类别与所述预设类别不相同，则继续对所述表情识别模型进行训练，直至该训练概率值对应的类别与所述预设样本类别相同。
第二方面，本申请提供了一种表情包生成装置，所述装置包括：
第一获取模块，用于获取多张卡通人物的表情图片；
第一输入输出模块，用于针对每张表情图片，将该表情图片输入至预先训练的表情识别模型，输出该表情图片的类别，其中，所述表情识别模型是根据数据增强处理后的卡通人物的表情图片样本对预设模型训练得到的；
生成模块，用于从所述多张表情图片中，获取类型相同的表情图片，并依据获取到的表情图片生成动态表情包。
可选的，所述预设模型为神经网络模型，所述表情识别模型包括Backbone网络模型和全连接层；
所述输入输出模块具体用于：
针对每张表情图片，将该表情图片输入至预先训练的所述Backbone网络模型，并输出该表情图片的特征向量；
通过全连接层和所述特征向量，计算该表情图片分别属于各表情类别的概率值；
从输出的概率值中，选取最大的概率值对应的类别作为该表情图片的类别。
可选的，生成模块具体用于：
从获取到的类型相同的表情图片中，识别各表情图片对应的人物身份信息；
获取人物身份信息相同的表情图片，并依据获取到人物身份信息相同的表情图片的类别生成动态表情包。
可选的，所述装置还包括：
第二获取模块，用于获取卡通人物的表情图片样本，所述表情图片样本携带有样本类别，其中，所述样本类别为所述表情图片样本中的表情对应的情绪类别；
第一训练模块，用于通过所述表情图片样本对所述预设模型进行训练，得到训练后的表情识别模型。
可选的，所述装置还包括：
第二输入输出模块，用于将测试表情图片输入训练后的表情识别模型，并输出所述测试表情图片分别属于各表情类别的训练概率值；
判断模块，用于从输出的训练概率值中选取最大的训练概率值，并判断该训练概率值对应的类别是否与所述测试表情图片的预设样本类别相同；
第二训练模块，用于若该训练概率值对应的类别与所述预设类别不相同，则继续对所述表情识别模型进行训练，直至该训练概率值对应的类别与所述预设样本类别相同。
本申请实施例提供的上述技术方案与现有技术相比具有如下优点：
本申请实施例提供的该方法，服务器将卡通人物的表情图片输入至通过预先训练的表情识别模型，输出该表情图片的类别，服务器从多张表情图片中，获取类型相同的表情图片，并依据获取到的表情图片生成动态表情包。本申请可以识别卡通人物的表情类别，从而根据表情类别生成表达不同情绪的表情包。
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，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案，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地介绍，显而易见地，对于本领域普通技术人员而言，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为本申请实施例提供的一种表情包生成的方法流程图；
图2为本申请实施例提供的一种表情识别模型示意图；
图3为本申请实施例提供的生成动态表情包的方法流程图；
图4为本申请实施例提供的训练表情识别模型的方法流程图；
图5为本申请实施例提供的一种表情包生成装置的结构示意图；
图6为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请实施例提供了一种表情包生成方法，可以应用于服务器，用于生成表情包。
下面将结合具体实施方式，对本申请实施例提供的一种表情包生成方法进行详细的说明，如图1所示，具体步骤如下：
步骤101：获取多张卡通人物的表情图片。
在本申请实施例中，服务器获取多张卡通人物的表情图片，卡通人物可以是影视、动漫、书籍中的人物，也可以是其他卡通人物。卡通人物的表情图片可以具有极度夸张的表情，如“桃心眼”、“夸张的大嘴巴”等，卡通人物的表情图片的面部也可以包括多种颜色。
步骤102：针对每张表情图片，将该表情图片输入至预先训练的表情识别模型，输出该表情图片的类别。
其中，表情识别模型是根据数据增强处理后的卡通人物的表情图片样本对神经网络训练得到的。
在本申请实施例中，针对每张表情图片，服务器将该表情图片输入至预先训练的表情识别模型，并输出该表情图片的类别。其中，表情识别模型是根据数据增强处理后的卡通人物的表情图片样本对神经网络训练得到的。
步骤103：从多张表情图片中，获取类型相同的表情图片，并依据获取到的表情图片生成动态表情包。
服务器根据表情图片的类别，从多张表情图片中，获取类型相同的表情图片，并依据获取到的表情图片生成动态表情包。该动态表情包的人物类型可以相同，也可以不同。
可选的，预设模型为神经网络模型，表情识别模型包括Backbone网络模型和全连接层，将该表情图片输入输出表情识别模型的过程为：
针对每张表情图片，将该表情图片输入至预先训练的Backbone网络模型，并输出该表情图片的特征向量；通过全连接层和特征向量，计算该表情图片分别属于各表情类别的概率值；从输出的概率值中，选取最大的概率值对应的类别作为该表情图片的类别。
在本申请实施例中，如图2所示，图2为本申请实施例的表情识别模型示意图。该示意图包括Backbone网络模型和全连接层。服务器针对每张表情图片，将该表情图片输入至预先训练的Backbone网络模型，并输出该表情图片的特征向量，服务器通过全连接层将特征向量经过卷积转化为多个概率值：p1、p2、p3、p4、p5，每个概率值分别属于一个表情类别。
其中，本发明实施例包括5个表情类别，所以概率值的数量也是5个，特征向量采用512维数字，全连接层可以将512维数字的矩阵经过卷积转化为5个概率值。
举例来说，情绪类别包括五种，分别为：高兴、悲伤、害怕、生气和无表情。服务器通过Backbone网络模型和全连接层，计算该表情图片的五个概率值，分别为0.7、0.2、0.1、0、0。高兴、悲伤、害怕、生气和无表情分别对应的概率值为0.7、0.2、0.1、0、0。
其中，表情识别模型是根据数据增强处理后的卡通人物的表情图片样本对神经网络训练得到的。表情识别模型可以是Backbone(网络骨干)网络模型中的ResNet(ResidualNeural Network，残差神经网络)50，也可以是VGG-NET(Visual Geometry Group Network，视觉几何组网络)。在本申请实施例以采用Backbone网络为例进行说明，本申请对表情识别模型不做具体限制。
服务器得到该表情图片分别属于各表情类别的概率值后，从输出的概率值中选取最大的概率值，将该概率值对应的类别作为该表情图片的类别。
举例来说，该表情图片的五个概率值，分别为0.7、0.2、0.1、0、0，分别对应的表情类别为：高兴、悲伤、害怕、生气和无表情。服务器选取最大的概率值0.7，0.7对应的表情类别是高兴，那么该表情图片的类别是高兴。
可选的，依据获取到的表情图片生成动态表情包包括：从获取到的类型相同的表情图片中，识别各表情图片对应的人物身份信息；获取人物身份信息相同的表情图片，并依据获取到的表情图片生成动态表情包。
在本申请实施例中，服务器从获取到的类型相同的表情图片中，识别各表情图片对应的人物身份信息，然后获取人物身份信息相同的表情图片，并依据人物身份信息相同且类型相同的表情图片生成动态表情包。
另外，服务器根据表情识别模型得到该表情图片的类别后，也可以先识别各表情图片对应的人物身份信息，然后从多张表情图片中，获取人物身份信息相同的表情图片，并依据获取到的表情图片的类别生成动态表情包。
具体为，服务器将表情图片与数据库中的预存表情图片进行对比，根据预设的人物身份信息与预存表情图片的对应关系，确定出各表情图片对应的人物身份信息。服务器确定出各表情图片对应的人物身份信息后，从输入过表情识别模型的多张表情图片中，获取人物身份信息相同的表情图片，并依据获取到的表情图片的类别生成动态表情包。
如图3所示，依据人物身份信息相同的多张表情图片的类别生成动态表情包包括：
步骤301：判断人物身份信息的表情图片的类别是否一致。
在本申请实施例中，服务器确定出各表情图片对应的人物身份信息后，选取获取人物身份信息相同的表情图片，并判断人物身份信息的表情图片的类别是否一致。若服务器判定人物身份信息的表情图片的类别一致，则执行步骤302；若服务器判定人物身份信息的表情图片的类别不一致，则执行步骤303。
步骤302：根据表情图片生成动态表情包。
在本申请实施例中，若服务器判定人物身份信息的表情图片的类别一致，则根据表情图片生成动态表情包。
具体的，人物身份信息的表情图片可以是连续输入表情识别模型的，也可以是非连续输入表情识别模型的。若人物身份信息的表情图片是连续输入表情识别模型的，那么服务器根据连续的表情图片生成动态表情包。若人物身份信息的表情图片不是连续输入表情识别模型的，那么服务器从所有该人物身份信息的多张表情图片中，分析表情图片中的表情的变化程度，将变化程度相近的表情图片相邻设置生成表情包。
步骤303：选取类别一致的表情图片并生成动态表情包。
在本申请实施例中，若服务器判定人物身份信息的多个表情图片的类别不一致，则选取类别一致的表情图片并生成动态表情包。
具体的，该人物身份信息的表情图片可以是连续输入表情识别模型的，也可以是非连续输入表情识别模型的。若该人物身份信息的表情图片是连续输入表情识别模型的，那么服务器从该人物身份信息的多张连续的表情图片中，选取类别一致的表情图片并生成动态表情包。若该人物身份信息的表情图片不是连续输入表情识别模型的，那么服务器从所有该人物身份信息的多张表情图片中，选取类别一致的表情图片，分析类别一致的表情图片中的表情的变化程度，将变化程度相近的表情图片相邻设置生成表情包。
举例来说，服务器获取到一个卡通人物的先哭再笑的视频，并将该视频分帧连续输入表情识别模型，表情识别模型会将该卡通人物的多张图片分成两类，一类是高兴表情，另一类是悲伤表情，服务器根据高兴表情的多张图片生成一个表情包；根据悲伤表情的多张图片另外生成一个表情包。
服务器自动将表情图片分类，并生成不同表情包，提高了表情包生成效率。
可选的，获取多张卡通人物的表情图片之前，方法还包括：获取卡通人物的表情图片样本，表情图片样本携带有样本类别，其中，样本类别为表情图片样本中的表情对应的情绪类别；通过表情图片样本对预设模型进行训练，得到训练后的表情识别模型。
在本申请实施例中，服务器获取多张卡通人物的表情图片之前，对预设模型进行训练，训练的过程为：服务器获取卡通人物的携带有样本类别的表情图片样本，其中，样本类别为表情图片样本中的表情对应的情绪类别；服务器通过表情图片样本和预设的训练算法，对预设模型进行训练，得到训练后的表情识别模型。
可选的，如图4所示，通过表情图片样本对预设模型进行训练，得到训练后的表情识别模型之后，方法还包括：
步骤401：将测试表情图片输入训练后的表情识别模型，并输出测试表情图片分别属于各表情类别的训练概率值。
在本申请实施例中，服务器得到训练后的表情识别模型之后，需要对表情识别模型进行测试，具体为，服务器将测试表情图片输入至Backbone网络模型，并输出该表情图片的特征向量，服务器将特征向量输入全连接层，并输出该表情图片属于各表情类别的训练概率值，其中，测试表情图片不携带样本类别。
步骤402：判断训练概率值对应的类别是否与测试表情图片的预设样本类别相同。
在本申请实施例中，服务器从训练概率值中选取最大的训练概率值，并判断训练概率值对应的类别是否与测试表情图片的预设样本类别相同。具体的，采用损失函数作为训练概率值的评价指标，如果训练概率值对应的类别与测试表情图片的预设样本类别相同，表示模型训练效果好，那么损失函数的数值较低；如果训练概率值对应的类别与测试表情图片的预设样本类别不相同，表示模型训练效果不好，那么损失函数的数值较高。
若服务器判定训练概率值对应的类别与预设样本类别不相同，则执行步骤403；若服务器判定训练概率值对应的类别与预设样本类别相同，则执行步骤404。
步骤403：继续对表情识别模型进行训练，直至该训练概率值对应的类别与预设样本类别相同。
在本申请实施例中，若服务器识别到损失函数的数值较高，表示训练概率值对应的类别与测试表情图片的样本类别不相同，那么服务器继续将表情图片样本输入表情识别模型，调整学习参数，利用预设的训练算法进行再次训练，直至测试表情图片的训练概率值对应的类别与测试表情图片的预设样本类别相同，此时表示表情识别模型训练成功。服务器根据损失函数的数值，对表情识别模型进行多次训练，可以提高该表情识别模型的识别精度，分类更精准。
步骤404：结束对表情识别模型的训练。
在本申请实施例中，若服务器判定训练概率值对应的类别与测试表情图片的预设样本类别相同，则服务器结束对表情识别模型的训练。
在本申请实施例中，服务器获取卡通人物的表情图片样本之前，对卡通人物的表情图片样本进行数据增强处理，具体的，数据增强处理包括翻转、旋转、缩放、裁剪、移位、颜色调整等多种处理方法。卡通人物的表情图片样本进行数据增强处理后，对于卡通人物的夸张表情和多种颜色的面部仍能够正确识别，提高识别的准确性。
基于相同的技术构思，如图5所示，本申请实施例还提供了一种表情包生成装置，该装置包括：
第一获取模块501，用于获取多张卡通人物的表情图片；
第一输入输出模块502，用于针对每张表情图片，将该表情图片输入至预先训练的表情识别模型，输出该表情图片的类别，其中，表情识别模型是根据数据增强处理后的卡通人物的表情图片样本对预设模型训练得到的；
生成模块503，用于从多张表情图片中，获取类型相同的表情图片，并依据获取到的表情图片生成动态表情包。
可选的，预设模型为神经网络模型，表情识别模型包括Backbone网络模型和全连接层；
第一输入输出模块502具体用于：
针对每张表情图片，将该表情图片输入至预先训练的Backbone网络模型，并输出该表情图片的特征向量；
通过全连接层和特征向量，计算该表情图片分别属于各表情类别的概率值；
从输出的概率值中，选取最大的概率值对应的类别作为该表情图片的类别。
可选的，生成模块503具体用于：
从获取到的类型相同的表情图片中，识别各表情图片对应的人物身份信息；
获取人物身份信息相同的表情图片，并依据获取到人物身份信息相同的表情图片的类别生成动态表情包。
可选的，装置还包括：
第二获取模块，用于获取卡通人物的表情图片样本，表情图片样本携带有样本类别，其中，样本类别为表情图片样本中的表情对应的情绪类别；
第一训练模块，用于通过表情图片样本对预设模型进行训练，得到训练后的表情识别模型。
可选的，装置还包括：
第二输入输出模块，用于将测试表情图片输入训练后的表情识别模型，并输出测试表情图片分别属于各表情类别的训练概率值；
判断模块，用于从输出的训练概率值中选取最大的训练概率值，并判断该训练概率值对应的类别是否与测试表情图片的预设样本类别相同；
第二训练模块，用于若该训练概率值对应的类别与预设类别不相同，则继续对表情识别模型进行训练，直至该训练概率值对应的类别与预设样本类别相同。
本申请实施例提供的该方法，服务器将卡通人物的表情图片输入至通过预先训练的表情识别模型，输出该表情图片的类别，服务器从多张表情图片中，获取类型相同的表情图片，并依据获取到的表情图片生成动态表情包。本申请可以识别卡通人物的表情类别，从而根据表情类别生成表达不同情绪的表情包。
基于相同的技术构思，本发明实施例还提供了一种电子设备，如图6所示，包括处理器601、通信接口602、存储器603和通信总线604，其中，处理器601，通信接口602，存储器603通过通信总线604完成相互间的通信，
存储器603，用于存放计算机程序；
处理器601，用于执行存储器603上所存放的程序时，实现上述步骤。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(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。
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一方法的步骤。
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (6)
1.一种表情包生成方法，其特征在于，所述方法包括：
获取多张卡通人物的表情图片；
针对每张表情图片，将该表情图片输入至预先训练的表情识别模型，输出该表情图片的类别，其中，所述表情识别模型是根据数据增强处理后的卡通人物的表情图片样本对预设模型训练得到的；
从多张表情图片中，获取类型相同的表情图片，并依据获取到的表情图片生成动态表情包；
其中，所述依据获取到的表情图片生成动态表情包，包括：
从获取到的类型相同的表情图片中，识别各表情图片对应的人物身份信息；
获取人物身份信息相同的表情图片；
若人物身份信息的表情图片连续输入所述表情识别模型，则根据连续的表情图片生成动态表情包；
若人物身份信息的表情图片不是连续输入所述表情识别模型，则根据所述人物身份信息的多张表情图片，分析表情图片中表情的变化程度，将变化程度相近的表情图片相邻设置生成表情包；
其中，所述获取多张卡通人物的表情图片之前，所述方法还包括：
对卡通人物的表情图片样本进行数据增强处理，其中，所述数据增强处理包括翻转、旋转、缩放、裁剪、移位和颜色调整；
获取卡通人物的表情图片样本，所述表情图片样本携带有样本类别，其中，所述样本类别为所述表情图片样本中的表情对应的情绪类别；
通过所述表情图片样本对所述预设模型进行训练，得到训练后的表情识别模型。
2.根据权利要求1所述的方法，其特征在于，所述预设模型为神经网络模型，所述表情识别模型包括Backbone网络模型和全连接层；
所述针对每张表情图片，将该表情图片输入至预先训练的表情识别模型，输出该表情图片的类别，包括：
针对每张表情图片，将该表情图片输入至预先训练的所述Backbone网络模型，并输出该表情图片的特征向量；
通过全连接层和所述特征向量，计算该表情图片分别属于各表情类别的概率值；
从输出的概率值中，选取最大的概率值对应的类别作为该表情图片的类别。
3.根据权利要求1所述的方法，其特征在于，所述通过所述表情图片样本对所述预设模型进行训练，得到训练后的表情识别模型之后，所述方法还包括：
将测试表情图片输入训练后的表情识别模型，并输出所述测试表情图片分别属于各表情类别的训练概率值；
从输出的训练概率值中选取最大的训练概率值，并判断该训练概率值对应的类别是否与所述测试表情图片的预设样本类别相同；
若该训练概率值对应的类别与所述预设样本类别不相同，则继续对所述表情识别模型进行训练，直至该训练概率值对应的类别与所述预设样本类别相同。
4.一种表情包生成装置，其特征在于，所述装置包括：
第一获取模块，用于获取多张卡通人物的表情图片；
第一输入输出模块，用于针对每张表情图片，将该表情图片输入至预先训练的表情识别模型，输出该表情图片的类别，其中，所述表情识别模型是根据数据增强处理后的卡通人物的表情图片样本对预设模型训练得到的；
生成模块，用于从多张表情图片中，获取类型相同的表情图片，并依据获取到的表情图片生成动态表情包；
其中，所述生成模块具体用于：
从获取到的类型相同的表情图片中，识别各表情图片对应的人物身份信息；
获取人物身份信息相同的表情图片，若人物身份信息的表情图片连续输入所述表情识别模型，则根据连续的表情图片生成动态表情包；若人物身份信息的表情图片不是连续输入所述表情识别模型，则根据所述人物身份信息的多张表情图片，分析表情图片中表情的变化程度，将变化程度相近的表情图片相邻设置生成表情包；
其中，所述装置还包括：
第二获取模块，用于对卡通人物的表情图片样本进行数据增强处理，其中，所述数据增强处理包括翻转、旋转、缩放、裁剪、移位和颜色调整；获取卡通人物的表情图片样本，所述表情图片样本携带有样本类别，其中，所述样本类别为所述表情图片样本中的表情对应的情绪类别；
第一训练模块，用于通过所述表情图片样本对所述预设模型进行训练，得到训练后的表情识别模型。
5.根据权利要求4所述的装置，其特征在于，所述预设模型为神经网络模型，所述表情识别模型包括Backbone网络模型和全连接层；
所述输入输出模块具体用于：
针对每张表情图片，将该表情图片输入至预先训练的所述Backbone网络模型，并输出该表情图片的特征向量；
通过全连接层和所述特征向量，计算该表情图片分别属于各表情类别的概率值；
从输出的概率值中，选取最大的概率值对应的类别作为该表情图片的类别。
6.根据权利要求4所述的装置，其特征在于，所述装置还包括：
第二输入输出模块，用于将测试表情图片输入训练后的表情识别模型，并输出所述测试表情图片分别属于各表情类别的训练概率值；
判断模块，用于从输出的训练概率值中选取最大的训练概率值，并判断该训练概率值对应的类别是否与所述测试表情图片的预设样本类别相同；
第二训练模块，用于若该训练概率值对应的类别与所述预设样本类别不相同，则继续对所述表情识别模型进行训练，直至该训练概率值对应的类别与所述预设样本类别相同。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010426632.XA CN111768481B (zh) | 2020-05-19 | 2020-05-19 | 一种表情包生成方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010426632.XA CN111768481B (zh) | 2020-05-19 | 2020-05-19 | 一种表情包生成方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111768481A CN111768481A (zh) | 2020-10-13 |
| CN111768481B true CN111768481B (zh) | 2024-06-21 |
Family
ID=72719355
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010426632.XA Active CN111768481B (zh) | 2020-05-19 | 2020-05-19 | 一种表情包生成方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111768481B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110097004A (zh) * | 2019-04-30 | 2019-08-06 | 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 |
| CN110276406A (zh) * | 2019-06-26 | 2019-09-24 | 腾讯科技（深圳）有限公司 | 表情分类方法、装置、计算机设备及存储介质 |
| CN110889379A (zh) * | 2019-11-29 | 2020-03-17 | 深圳先进技术研究院 | 表情包生成方法、装置及终端设备 |
| CN111027487A (zh) * | 2019-12-11 | 2020-04-17 | 山东大学 | 基于多卷积核残差网络的行为识别系统、方法、介质及设备 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3753625B2 (ja) * | 2001-04-03 | 2006-03-08 | 株式会社国際電気通信基礎技術研究所 | 表情アニメーション生成装置および表情アニメーション生成方法 |
| US8848068B2 (en) * | 2012-05-08 | 2014-09-30 | Oulun Yliopisto | Automated recognition algorithm for detecting facial expressions |
| US9251405B2 (en) * | 2013-06-20 | 2016-02-02 | Elwha Llc | Systems and methods for enhancement of facial expressions |
| CN104063683B (zh) * | 2014-06-06 | 2017-05-17 | 北京搜狗科技发展有限公司 | 一种基于人脸识别的表情输入方法和装置 |
| CN106951856A (zh) * | 2017-03-16 | 2017-07-14 | 腾讯科技（深圳）有限公司 | 表情包提取方法及装置 |
| CN112861760A (zh) * | 2017-07-25 | 2021-05-28 | 虹软科技股份有限公司 | 一种用于表情识别的方法和装置 |
| CN107633203A (zh) * | 2017-08-17 | 2018-01-26 | 平安科技（深圳）有限公司 | 面部情绪识别方法、装置及存储介质 |
| US10198845B1 (en) * | 2018-05-29 | 2019-02-05 | LoomAi, Inc. | Methods and systems for animating facial expressions |
| CN110162670B (zh) * | 2019-05-27 | 2020-05-08 | 北京字节跳动网络技术有限公司 | 用于生成表情包的方法和装置 |
-
2020
- 2020-05-19 CN CN202010426632.XA patent/CN111768481B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110097004A (zh) * | 2019-04-30 | 2019-08-06 | 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 |
| CN110276406A (zh) * | 2019-06-26 | 2019-09-24 | 腾讯科技（深圳）有限公司 | 表情分类方法、装置、计算机设备及存储介质 |
| CN110889379A (zh) * | 2019-11-29 | 2020-03-17 | 深圳先进技术研究院 | 表情包生成方法、装置及终端设备 |
| CN111027487A (zh) * | 2019-12-11 | 2020-04-17 | 山东大学 | 基于多卷积核残差网络的行为识别系统、方法、介质及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111768481A (zh) | 2020-10-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11281945B1 (en) | Multimodal dimensional emotion recognition method | |
| WO2021073417A1 (zh) | 表情生成方法、装置、设备及存储介质 | |
| CN109919252B (zh) | 利用少数标注图像生成分类器的方法 | |
| CN110321845B (zh) | 一种从视频中提取表情包的方法、装置及电子设备 | |
| CN110827797B (zh) | 语音应答事件分类处理方法和装置 | |
| CN110598019B (zh) | 重复图像识别方法及装置 | |
| JP2019159958A (ja) | 顔画像識別システム、識別器生成装置、識別装置、画像識別システム、及び識別システム | |
| CN108959474B (zh) | 实体关系提取方法 | |
| CN110879938A (zh) | 文本情感分类方法、装置、设备和存储介质 | |
| JP2022014776A5 (zh) | ||
| CN110968725B (zh) | 图像内容描述信息生成方法、电子设备及存储介质 | |
| CN113780486B (zh) | 一种视觉问答的方法、装置及介质 | |
| CN110706312A (zh) | 一种表情包的文案确定方法、装置及电子设备 | |
| CN107122492A (zh) | 基于图片内容的歌词生成方法和装置 | |
| CN113536999A (zh) | 人物情绪识别方法、系统、介质及电子设备 | |
| CN115861747A (zh) | 图像生成方法、装置、电子设备及存储介质 | |
| CN114639150A (zh) | 情绪识别方法、装置、计算机设备和存储介质 | |
| CN112308148A (zh) | 缺陷类别识别、孪生神经网络训练方法、装置及存储介质 | |
| JP2012048624A (ja) | 学習装置、方法及びプログラム | |
| CN111488950B (zh) | 分类模型信息输出方法及装置 | |
| CN111768481B (zh) | 一种表情包生成方法及装置 | |
| CN110879832A (zh) | 目标文本检测方法、模型训练方法、装置及设备 | |
| CN116932735A (zh) | 一种文本比对方法、装置、介质和设备 | |
| CN113111855B (zh) | 一种多模态情感识别方法、装置、电子设备及存储介质 | |
| CN113434721A (zh) | 表情包分类方法、装置、计算机设备和存储介质 |
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 |