CN112364736A - 一种动态人脸表情识别方法、装置及设备 - Google Patents

一种动态人脸表情识别方法、装置及设备 Download PDF

Info

Publication number
CN112364736A
CN112364736A CN202011193677.3A CN202011193677A CN112364736A CN 112364736 A CN112364736 A CN 112364736A CN 202011193677 A CN202011193677 A CN 202011193677A CN 112364736 A CN112364736 A CN 112364736A
Authority
CN
China
Prior art keywords
image
face
original video
face image
facial expression
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
Application number
CN202011193677.3A
Other languages
English (en)
Inventor
孙悦
李天驰
王帅
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 Dianmao Technology Co Ltd
Original Assignee
Shenzhen Dianmao Technology Co Ltd
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 Dianmao Technology Co Ltd filed Critical Shenzhen Dianmao Technology Co Ltd
Priority to CN202011193677.3A priority Critical patent/CN112364736A/zh
Publication of CN112364736A publication Critical patent/CN112364736A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—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
    • G06V40/176—Dynamic expression
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • G06V40/168—Feature extraction; Face representation
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种动态人脸表情识别方法、装置及设备，该方法包括：采集原始视频；对原始视频中的图像进行人脸识别，获取原始视频中的包含人脸的人脸图像位置；根据人脸图像位置获取人脸图像，对人脸图像进行预处理，生成目标人脸图像；将目标人脸图像输入训练好的人脸表情识别模型，根据人脸表情识别模型的识别结果，获取人脸表情类别。本发明实施例的动态人脸识别方法在有噪音的情况下也可实现对人脸表情的准确识别，具有较强的鲁棒性，识别准确率较高。

Description

一种动态人脸表情识别方法、装置及设备
技术领域
本发明涉及图像处理技术领域，尤其涉及一种动态人脸表情识别方法、装置及设备。
背景技术
随着人工智能行业的兴起，基于深度学习的面部表情识别越来越受大家的关注，特别在网络直播课中，通过分析直播视频中学生的面部表情，可以得到当前学生的听课状态如何，从而更有利于老师管理和教学。对静态表情进行识别，通常的做法是输入一张或多张特定场景中的人脸图像，然后选择一种方法识别出图像中人脸的表情，最后输出表情识别结果。对动态表情进行识别时，需要实时获取人的动态面部表情序列作为输入，然后对获取的表情序列进行存储和识别。因此，在动态表情识别的过程中，一定要保证对人脸检测的实时性，并且要保持对人脸图像的连续不间断的追踪。传统的进行动态表情识别的方法主要有几何法、光流法和差分图像法等，这些方法尽管识别准确度较高，但对光照、遮挡等噪音比较敏感，抗干扰性较差。
因此，现有技术还有待于改进和发展。
发明内容
鉴于上述现有技术的不足，本发明的目的在于提供一种动态人脸表情识别方法、装置及设备，旨在解决现有技术中动态表情识别方法对噪音比较敏感，抗干扰性较差的技术问题。
本发明的技术方案如下：
一种动态人脸表情识别方法，所述方法包括：
采集原始视频；
对原始视频中的图像进行人脸识别，获取原始视频中的包含人脸的人脸图像位置；
根据人脸图像位置获取人脸图像，对人脸图像进行预处理，生成目标人脸图像；
将目标人脸图像输入训练好的人脸表情识别模型，根据人脸表情识别模型的识别结果，获取人脸表情类别。
进一步地，所述采集原始视频，包括：
通过摄像头不间断的采集人脸图像，生成原始视频。
进一步优选地，所述对原始视频中的图像进行人脸识别，获取原始视频中的包含人脸的人脸图像位置，包括：
通过Haar分类器算法对原始视频中图像进行人脸识别，获取原始视频中包含人脸的人脸图像位置。
进一步优选地，所述根据人脸图像位置获取人脸图像，对人脸图像进行预处理，生成目标人脸图像，包括：
根据人脸位置从原始视频中提取人脸图像，对人脸图像进行灰度化处理，生成灰度图像；
将灰度图像的尺寸进行归一化处理，生成目标人脸图像。
优选地，所述将目标人脸图像输入训练好的人脸表情识别模型，根据人脸表情识别模型的识别结果，获取人脸表情类别前，还包括：
通过摄像头采集人脸图像，生成训练样本；
获取初始的卷积神经网络，根据训练样本对初始的卷积神经网络进行训练，生成人脸表情识别模型。
进一步地，所述通过Haar分类器算法对原始视频中图像进行人脸识别，获取原始视频中包含人脸的人脸图像位置，包括：
获取原始视频中图像的Haar特征，将Haar特征通过Adaboost算法进行处理后，获取原始视频中包含人脸的人脸图像位置。
进一步地，所述获取原始视频中图像的Haar特征，将Haar特征通过Adaboost算法进行处理后，获取原始视频中包含人脸的人脸图像位置，包括：
获取原始视频的初始帧，从初始帧起逐帧提取帧图像中的Haar特征；
将提取的Haar特征通过Adaboost算法进行处理后，从帧图像中识别人脸图像，获取原始视频中包含人脸的人脸图像位置。
本发明的另一实施例提供了一种动态人脸表情识别设置，装置包括：
视频采集模块，用于采集原始视频；
人脸图像位置识别模块，用于对原始视频中的图像进行人脸识别，获取原始视频中的包含人脸的人脸图像位置；
图像预处理模块，用于根据人脸图像位置获取人脸图像，对人脸图像进行预处理，生成目标人脸图像；
将目标人脸图像输入训练好的人脸表情识别模型，根据人脸表情识别模型的识别结果，获取人脸表情类别。
本发明的另一实施例提供了一种动态人脸表情识别设备，所述设备包括至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的动态人脸表情识别方法。
本发明的另一实施例还提供了一种非易失性计算机可读存储介质，所述非易失性计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个处理器执行时，可使得所述一个或多个处理器执行上述的动态人脸表情识别方法。
有益效果：本发明实施例的动态人脸识别方法在有噪音的情况下也可实现对人脸表情的准确识别，具有较强的鲁棒性，识别准确率较高。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1为本发明一种动态人脸表情识别方法较佳实施例的流程图；
图2为本发明一种动态人脸表情识别装置的较佳实施例的功能模块示意图；
图3为本发明一种动态人脸表情识别设备的较佳实施例的硬件结构示意图。
具体实施方式
为使本发明的目的、技术方案及效果更加清楚、明确，以下对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。以下结合附图对本发明实施例进行介绍。
本发明实施例提供了一种动态人脸表情识别方法。请参阅图1，图1为本发明一种动态人脸表情识别方法较佳实施例的流程图。如图1所示，其包括步骤：
步骤S100、采集原始视频；
步骤S200、对原始视频中的图像进行人脸识别，获取原始视频中的包含人脸的人脸图像位置；
步骤S300、根据人脸图像位置获取人脸图像，对人脸图像进行预处理，生成目标人脸图像；
步骤S400、将目标人脸图像输入训练好的人脸表情识别模型，根据人脸表情识别模型的识别结果，获取人脸表情类别。
具体实施时，本发明实施例的人脸表情识别算法是用于网络直播课中的学生表情进行识别，通过对表情进行识别，可获取学生的听课状态，为后续监控学生的听课效果提供了方便。
通过采集学生的人脸图像，使用算法检测并定位视频中人脸的位置，为了使系统在实时性与计算量之间保持平衡，对检测到的人脸图像进行了灰度化和尺度归一化等预处理，最后，使用预先训练好的人脸表情识别模型进行计算并输出表情类别。
进一步地，采集原始视频，包括：
通过摄像头不间断的采集人脸图像，生成原始视频。
具体实施时，通过摄像头不间断地采集人脸图像作为输入，采集到的图像为原始视频。
进一步地，对原始视频中的图像进行人脸识别，获取原始视频中的包含人脸的人脸图像位置，包括：
通过Haar分类器算法对原始视频中图像进行人脸识别，获取原始视频中包含人脸的人脸图像位置。
进一步地，通过Haar分类器算法对原始视频中图像进行人脸识别，获取原始视频中包含人脸的人脸图像位置，包括：
获取原始视频中图像的Haar特征，将Haar特征通过Adaboost算法进行处理后，获取原始视频中包含人脸的人脸图像位置。
进一步地，获取原始视频中图像的Haar特征，将Haar特征通过Adaboost算法进行处理后，获取原始视频中包含人脸的人脸图像位置，包括：
获取原始视频的初始帧，从初始帧起逐帧提取帧图像中的Haar特征；
将提取的Haar特征通过Adaboost算法进行处理后，从帧图像中识别人脸图像，获取原始视频中包含人脸的人脸图像位置。
具体实施时，使用Haar分类器算法检测并定位视频中人脸的位置，分类器算法主要使用Haar-l ike特征和Adaboost算法，并使用Viola-Jones作为目标检测框架，能够从视频的初始帧开始定位人脸的位置，与其它方法相比，该方法具有较高的识别准确率并且具有较强的鲁棒性，能够快速检测并定位物体的位置。
进一步地，根据人脸图像位置获取人脸图像，对人脸图像进行预处理，生成目标人脸图像，包括：
根据人脸位置从原始视频中提取人脸图像，对人脸图像进行灰度化处理，生成灰度图像；
将灰度图像的尺寸进行归一化处理，生成目标人脸图像。
具体实施时，对检测到的人脸图像进行灰度化和尺度归一化处理。因为彩色图像包含颜色、背景、光照等信息，通过灰度化处理，可以消除这些因素的影响。此外，经过人脸检测到的图像大小不同，若图像特征维度过大，则会增加计算量，消耗更多的时间，无法达到实时的效果；若图像特征维度过小，虽然会减少计算量，实时性较好，但却丧失了许多重要的表情特征信息，导致识别准确率偏低。因此，使用尺度归一化技术将图像的大小统一转化成48*48像素，以达到系统识别准确率和运行时间之间的平衡。
进一步地，将目标人脸图像输入训练好的人脸表情识别模型，根据人脸表情识别模型的识别结果，获取人脸表情类别前，还包括：
通过摄像头采集人脸图像，生成训练样本；
获取初始的卷积神经网络，根据训练样本对初始的卷积神经网络进行训练，生成人脸表情识别模型。
具体实施时，通过摄像头采集人脸图像，生成训练样本，构建初始卷积神经网络。根据训练样本提前预训练初始卷积神经网络，生成人脸表情识别模型，并保存模型参数，方便系统随时调用。
由以上方法实施例可知，本发明实施例提出了一种动态人脸表情识别方法，通过计算机自带的摄像头采集人脸图像用作测试集，使用Haar分类器算法检测并定位视频中人脸的位置，为了使系统在实时性在计算量之间保持平衡，对检测到的人脸图像进行了灰度化和尺度归一化处理，最后，使用预先训练好的人脸表情识别模型进行计算并输出表情类别。本发明实施例可在有噪音的情况下也可实现对人脸表情的准确识别，具有较强的鲁棒性，识别准确率较高。
需要说明的是，上述各步骤之间并不必然存在一定的先后顺序，本领域普通技术人员，根据本发明实施例的描述可以理解，不同实施例中，上述各步骤可以有不同的执行顺序，亦即，可以并行执行，亦可以交换执行等等。
本发明另一实施例提供一种动态人脸表情识别装置，如图2所示，装置1包括：
视频采集模块11，用于采集原始视频；
人脸图像位置识别模块12，用于对原始视频中的图像进行人脸识别，获取原始视频中的包含人脸的人脸图像位置；
图像预处理模块13，用于根据人脸图像位置获取人脸图像，对人脸图像进行预处理，生成目标人脸图像；
表情识别模块14，用于将目标人脸图像输入训练好的人脸表情识别模型，根据人脸表情识别模型的识别结果，获取人脸表情类别。
具体实施方式见方法实施例，此处不再赘述。
本发明另一实施例提供一种动态人脸表情识别设备，如图3所示，设备10包括：
一个或多个处理器110以及存储器120，图3中以一个处理器110为例进行介绍，处理器110和存储器120可以通过总线或者其他方式连接，图3中以通过总线连接为例。
处理器110用于完成，设备10的各种控制逻辑，其可以为通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、单片机、ARM(Acorn RISCMachine)或其它可编程逻辑器件、分立门或晶体管逻辑、分立的硬件组件或者这些部件的任何组合。还有，处理器110还可以是任何传统处理器、微处理器或状态机。处理器110也可以被实现为计算设备的组合，例如，DSP和微处理器的组合、多个微处理器、一个或多个微处理器结合DSP核、或任何其它这种配置。
存储器120作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本发明实施例中的动态人脸表情识别方法对应的程序指令。处理器110通过运行存储在存储器120中的非易失性软件程序、指令以及单元，从而执行设备10的各种功能应用以及数据处理，即实现上述方法实施例中的动态人脸表情识别方法。
存储器120可以包括存储程序区和存储数据区，其中，存储程序区可存储操作装置、至少一个功能所需要的应用程序；存储数据区可存储根据设备10使用所创建的数据等。此外，存储器120可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器120可选包括相对于处理器110远程设置的存储器，这些远程存储器可以通过网络连接至设备10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
一个或者多个单元存储在存储器120中，当被一个或者多个处理器110执行时，执行上述任意方法实施例中的动态人脸表情识别方法，例如，执行以上描述的图1中的方法步骤S100至步骤S400。
本发明实施例提供了一种非易失性计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个处理器执行，例如，执行以上描述的图1中的方法步骤S100至步骤S400。
作为示例，非易失性存储介质能够包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦ROM(EEPROM)或闪速存储器。易失性存储器能够包括作为外部高速缓存存储器的随机存取存储器(RAM)。通过说明并非限制，RAM可以以诸如同步RAM(SRAM)、动态RAM、(DRAM)、同步DRAM(SDRAM)、双数据速率SDRAM(DDR SDRAM)、增强型SDRAM(ESDRAM)、Synchl ink DRAM(SLDRAM)以及直接Rambus(兰巴斯)RAM(DRRAM)之类的许多形式得到。本文中所描述的操作环境的所公开的存储器组件或存储器旨在包括这些和/或任何其他适合类型的存储器中的一个或多个。
本发明的另一种实施例提供了一种计算机程序产品，计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序，计算机程序包括程序指令，当程序指令被处理器执行时，使处理器执行上述方法实施例的动态人脸表情识别方法。例如，执行以上描述的图1中的方法步骤S100至步骤S400。
以上所描述的实施例仅仅是示意性的，其中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。可以根据实际需要选择其中的部分或者全部模块来实现本实施例方案的目的。
通过以上的实施例的描述，本领域的技术人员可以清楚地了解到各实施例可借助软件加通用硬件平台的方式来实现，当然也可以通过硬件实现。基于这样的理解，上述技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存在于计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机装置(可以是个人计算机，服务器，或者网络装置等)执行各个实施例或者实施例的某些部分的方法。
除了其他之外，诸如"能够'、"能"、"可能"或"可以"之类的条件语言除非另外具体地陈述或者在如所使用的上下文内以其他方式理解，否则一般地旨在传达特定实施方式能包括(然而其他实施方式不包括)特定特征、元件和/或操作。因此，这样的条件语言一般地还旨在暗示特征、元件和/或操作对于一个或多个实施方式无论如何都是需要的或者一个或多个实施方式必须包括用于在有或没有输入或提示的情况下判定这些特征、元件和/或操作是否被包括或者将在任何特定实施方式中被执行的逻辑。
已经在本文中在本说明书和附图中描述的内容包括能够提供动态人脸表情识别方法及装置的示例。当然，不能够出于描述本公开的各种特征的目的来描述元件和/或方法的每个可以想象的组合，但是可以认识到，所公开的特征的许多另外的组合和置换是可能的。因此，显而易见的是，在不脱离本公开的范围或精神的情况下能够对本公开做出各种修改。此外，或在替代方案中，本公开的其他实施例从对本说明书和附图的考虑以及如本文中所呈现的本公开的实践中可能是显而易见的。意图是，本说明书和附图中所提出的示例在所有方面被认为是说明性的而非限制性的。尽管在本文中采用了特定术语，但是它们在通用和描述性意义上被使用并且不用于限制的目的。

Claims (10)

1.一种动态人脸表情识别方法,其特征在于,所述方法包括：
采集原始视频；
对原始视频中的图像进行人脸识别，获取原始视频中的包含人脸的人脸图像位置；
根据人脸图像位置获取人脸图像，对人脸图像进行预处理，生成目标人脸图像；
将目标人脸图像输入训练好的人脸表情识别模型，根据人脸表情识别模型的识别结果，获取人脸表情类别。
2.根据权利要求1所述的动态人脸表情识别方法，其特征在于，所述采集原始视频，包括：
通过摄像头不间断的采集人脸图像，生成原始视频。
3.根据权利要求2所述的动态人脸表情识别方法，其特征在于，所述对原始视频中的图像进行人脸识别，获取原始视频中的包含人脸的人脸图像位置，包括：
通过Haar分类器算法对原始视频中图像进行人脸识别，获取原始视频中包含人脸的人脸图像位置。
4.根据权利要求3所述的动态人脸表情识别方法，其特征在于，所述根据人脸图像位置获取人脸图像，对人脸图像进行预处理，生成目标人脸图像，包括：
根据人脸位置从原始视频中提取人脸图像，对人脸图像进行灰度化处理，生成灰度图像；
将灰度图像的尺寸进行归一化处理，生成目标人脸图像。
5.根据权利要求4所述的动态人脸表情识别方法，其特征在于，所述将目标人脸图像输入训练好的人脸表情识别模型，根据人脸表情识别模型的识别结果，获取人脸表情类别前，还包括：
通过摄像头采集人脸图像，生成训练样本；
获取初始的卷积神经网络，根据训练样本对初始的卷积神经网络进行训练，生成人脸表情识别模型。
6.根据权利要求5所述的动态人脸表情识别方法，其特征在于，所述通过Haar分类器算法对原始视频中图像进行人脸识别，获取原始视频中包含人脸的人脸图像位置，包括：
获取原始视频中图像的Haar特征，将Haar特征通过Adaboost算法进行处理后，获取原始视频中包含人脸的人脸图像位置。
7.根据权利要求6所述的动态人脸表情识别方法，其特征在于，所述获取原始视频中图像的Haar特征，将Haar特征通过Adaboost算法进行处理后，获取原始视频中包含人脸的人脸图像位置，包括：
获取原始视频的初始帧，从初始帧起逐帧提取帧图像中的Haar特征；
将提取的Haar特征通过Adaboost算法进行处理后，从帧图像中识别人脸图像，获取原始视频中包含人脸的人脸图像位置。
8.一种动态人脸表情识别装置，其特征在于，所述装置包括：
视频采集模块，用于采集原始视频；
人脸图像位置识别模块，用于对原始视频中的图像进行人脸识别，获取原始视频中的包含人脸的人脸图像位置；
图像预处理模块，用于根据人脸图像位置获取人脸图像，对人脸图像进行预处理，生成目标人脸图像；
表情识别模块，用于将目标人脸图像输入训练好的人脸表情识别模型，根据人脸表情识别模型的识别结果，获取人脸表情类别。
9.一种动态人脸表情识别设备，其特征在于，所述设备包括至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7任一项所述的动态人脸表情识别方法。
10.一种非易失性计算机可读存储介质，其特征在于，所述非易失性计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个处理器执行时，可使得所述一个或多个处理器执行权利要求1-7任一项所述的动态人脸表情识别方法。
CN202011193677.3A 2020-10-30 2020-10-30 一种动态人脸表情识别方法、装置及设备 Pending CN112364736A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011193677.3A CN112364736A (zh) 2020-10-30 2020-10-30 一种动态人脸表情识别方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011193677.3A CN112364736A (zh) 2020-10-30 2020-10-30 一种动态人脸表情识别方法、装置及设备

Publications (1)

Publication Number Publication Date
CN112364736A true CN112364736A (zh) 2021-02-12

Family

ID=74513132

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011193677.3A Pending CN112364736A (zh) 2020-10-30 2020-10-30 一种动态人脸表情识别方法、装置及设备

Country Status (1)

Country Link
CN (1) CN112364736A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113965804A (zh) * 2021-09-28 2022-01-21 展讯半导体(南京)有限公司 视频处理方法及相关产品

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103605964A (zh) * 2013-11-25 2014-02-26 上海骏聿数码科技有限公司 基于图像在线学习的人脸检测方法及系统
CN106980811A (zh) * 2016-10-21 2017-07-25 商汤集团有限公司 人脸表情识别方法和人脸表情识别装置
CN109145559A (zh) * 2018-08-02 2019-01-04 东北大学 一种结合表情识别的智能终端人脸解锁方法
CN109508638A (zh) * 2018-10-11 2019-03-22 平安科技（深圳）有限公司 人脸情绪识别方法、装置、计算机设备及存储介质
WO2020029406A1 (zh) * 2018-08-07 2020-02-13 平安科技（深圳）有限公司 人脸情绪识别方法、装置、计算机设备及存储介质
CN111783622A (zh) * 2020-06-29 2020-10-16 北京百度网讯科技有限公司 人脸表情识别的方法、装置、设备和计算机可读存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103605964A (zh) * 2013-11-25 2014-02-26 上海骏聿数码科技有限公司 基于图像在线学习的人脸检测方法及系统
CN106980811A (zh) * 2016-10-21 2017-07-25 商汤集团有限公司 人脸表情识别方法和人脸表情识别装置
CN109145559A (zh) * 2018-08-02 2019-01-04 东北大学 一种结合表情识别的智能终端人脸解锁方法
WO2020029406A1 (zh) * 2018-08-07 2020-02-13 平安科技（深圳）有限公司 人脸情绪识别方法、装置、计算机设备及存储介质
CN109508638A (zh) * 2018-10-11 2019-03-22 平安科技（深圳）有限公司 人脸情绪识别方法、装置、计算机设备及存储介质
CN111783622A (zh) * 2020-06-29 2020-10-16 北京百度网讯科技有限公司 人脸表情识别的方法、装置、设备和计算机可读存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113965804A (zh) * 2021-09-28 2022-01-21 展讯半导体(南京)有限公司 视频处理方法及相关产品

Similar Documents

Publication Publication Date Title
CN114913565B (zh) 人脸图像检测方法、模型训练方法、装置及存储介质
US10319130B2 (en) Anonymization of facial images
CN110135231B (zh) 动物面部识别方法、装置、计算机设备和存储介质
WO2021051607A1 (zh) 视频数据的欺诈检测方法、装置、计算机设备和存储介质
CN109284738B (zh) 不规则人脸矫正方法和系统
CN108763897A (zh) 身份合法性的校验方法、终端设备及介质
CN107229947A (zh) 一种基于动物识别的金融保险方法及系统
CN108596180A (zh) 图像中的参数识别、参数识别模型的训练方法及装置
CN111914068B (zh) 试题知识点的提取方法
CN111027400A (zh) 一种活体检测方法及装置
CN109242000B (zh) 图像处理方法、装置、设备及计算机可读存储介质
CN113139915A (zh) 人像修复模型的训练方法和装置、电子设备
CN112257709A (zh) 一种招牌照片审核方法、装置、电子设备及可读存储介质
CN112364737A (zh) 一种用于网络直播课的人脸表情识别方法、装置及设备
Agarwal et al. Face recognition based smart and robust attendance monitoring using deep CNN
CN113283388B (zh) 活体人脸检测模型的训练方法、装置、设备及存储介质
Saraswat et al. Anti-spoofing-enabled contactless attendance monitoring system in the COVID-19 pandemic
CN111046755A (zh) 字符识别方法、装置、计算机设备和计算机可读存储介质
CN111310837A (zh) 车辆改装识别方法、装置、系统、介质和设备
CN112364736A (zh) 一种动态人脸表情识别方法、装置及设备
CN112818946A (zh) 年龄识别模型的训练、年龄识别方法、装置及电子设备
Levada et al. Novel approaches for face recognition: template-matching using dynamic time warping and LSTM Neural Network Supervised Classification
CN116206373A (zh) 活体检测方法、电子设备及存储介质
CN110704678A (zh) 评估排序方法、评估排序系统、计算机装置及储存介质
CN116484224A (zh) 一种多模态预训练模型的训练方法、装置、介质及设备

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