CN112528835A - 表情预测模型的训练方法、识别方法、装置及电子设备 - Google Patents

表情预测模型的训练方法、识别方法、装置及电子设备 Download PDF

Info

Publication number
CN112528835A
CN112528835A CN202011423816.7A CN202011423816A CN112528835A CN 112528835 A CN112528835 A CN 112528835A CN 202011423816 A CN202011423816 A CN 202011423816A CN 112528835 A CN112528835 A CN 112528835A
Authority
CN
China
Prior art keywords
expression
features
prediction model
audio information
feature
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
CN202011423816.7A
Other languages
English (en)
Other versions
CN112528835B (zh
Inventor
杨少雄
赵洋
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202011423816.7A priority Critical patent/CN112528835B/zh
Publication of CN112528835A publication Critical patent/CN112528835A/zh
Application granted granted Critical
Publication of CN112528835B publication Critical patent/CN112528835B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种表情预测模型的训练方法、识别方法、装置、电子设备以及存储介质，涉及计算机视觉、语音技术以及深度学习等人工智能技术领域，包括：对待训练的音频信息进行语义分析，得到与待训练的音频信息对应的表情特征，重复以下步骤，直至得到成熟的表情预测模型：根据预设的表情预测模型对表情特征和预设标定特征进行处理，得到表情特征与预设标定特征之间的表情差异特征，预设标定特征表征面部在无表情时的面部表情特征；根据表情差异特征对表情预测模型的参数进行调整，通过基于表情差异特征生成成熟的表情预测模型，可以降低训练过程的数据分析，提高训练效率的技术效果。

Description

表情预测模型的训练方法、识别方法、装置及电子设备
技术领域
本申请涉及计算机视觉、语音技术以及深度学习等人工智能技术领域，尤其涉及一种表情预测模型的训练方法、识别方法、装置、电子设备以及存储介质。
背景技术
随着人脸识别的发展，为了向用户提供智能化的体验，可以根据用户的语音确定出用户的表情(即，面部表情、人脸表情)。
现有技术中，可以通过表情预测模型得到与语音对应的表情，在得到表情之前需要对表情预测模型进行训练；在对表情预测模型进行训练时，先得到语音对应的表情特征，然后对全部的表情特征进行分析，去优化表情预测模型。
然而现有技术中，在训练用于识别表情的表情预测模型时，需要对语音对应的全部的表情特征进行数据分析，进而数据分析量较大，导致训练时间较长，并且需要消耗大量的资源。
发明内容
本申请提供了一种用于提高训练效率的表情预测模型的训练方法、识别方法、装置、电子设备以及存储介质。
根据本申请的第一方面，提供了一种表情预测模型的训练方法，包括：
对待训练的音频信息进行语义分析，得到与所述待训练的音频信息对应的表情特征；
重复以下步骤，直至得到成熟的表情预测模型：根据预设的表情预测模型对所述表情特征和预设标定特征进行处理，得到所述表情特征与所述预设标定特征之间的表情差异特征，其中，所述预设标定特征表征面部在无表情时的面部表情特征；根据所述表情差异特征对所述表情预测模型的参数进行调整；
其中，所述成熟的表情预测模型用于识别待处理的音频信息所表征的表情。
在本实施例中，通过基于表情差异特征生成成熟的表情预测模型，可以降低训练过程的数据分析，提高训练效率的技术效果。
根据本申请的第二方面，提供了一种表情识别方法，包括：
对待预测的音频信息进行语义分析，得到与所述待预测的音频信息对应的表情特征；
根据预设的表情预测模型对所述表情特征进行表情预测处理，得到与所述表情特征对应的表情差异特征，其中，所述表情差异特征表征，所述表情特征与面部在无表情时的面部表情特征之间的差异；
根据所述表情差异特征，确定与所述待预测的音频信息对应的表情预测结果。
根据本申请的第三方面，提供了一种表情预测模型的训练装置，包括：
第一语义分析模块，用于对待训练的音频信息进行语义分析，得到与所述待训练的音频信息对应的表情特征；
训练模块，用于重复以下步骤，直至得到成熟的表情预测模型：根据预设的表情预测模型对所述表情特征和预设标定特征进行处理，得到所述表情特征与所述预设标定特征之间的表情差异特征，其中，所述预设标定特征表征面部在无表情时的面部表情特征；根据所述表情差异特征对所述表情预测模型的参数进行调整；
其中，所述成熟的表情预测模型用于识别待处理的音频信息所表征的表情。
根据本申请的第四方面，提供了一种表情识别装置，包括：
第二语义分析模块，用于对待预测的音频信息进行语义分析，得到与所述待预测的音频信息对应的表情特征；
预测模块，用于根据预设的表情预测模型对所述表情特征进行表情预测处理，得到与所述表情特征对应的表情差异特征，其中，所述表情差异特征表征，所述表情特征与面部在无表情时的面部表情特征之间的差异；
确定模块，用于根据所述表情差异特征，确定与所述待预测的音频信息对应的表情预测结果。
根据本申请的第五方面，提供了一种电子设备，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如上第一方面所述的方法；或者，
以使所述至少一个处理器能够执行如上第二方面所述的方法。
根据本申请的第六方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行如上第一方面所述的方法；或者，
所述计算机指令用于使所述计算机执行如上第二方面所述的方法。
根据本申请的第七方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现如上第一方面所述的方法；或者，
该计算机程序被处理器执行时实现如上第二方面所述的方法。
根据本申请基于表情特征与预设标定特征之间的差异性的特征(即表情差异特征)，对表情预测模型的参数进行调整，直至得到成熟的表情预测模型的技术方案，无需如相关技术中基于所有的表情特征，得到成熟的表情预测模型，采用本实施例的方案，无需结合没有差异的表情特征对表情预测模型的参数进行调整，通过减少调整时的信息量(即没有差异的表情)，可以提高调整的效率，降低了训练的难度、训练资源、以及负载，使得表情预测模型快速收敛，提高了训练效率和速度的技术效果。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是根据本申请第一实施例的示意图；
图2是根据本申请第二实施例的示意图；
图3是根据本申请第三实施例的示意图；
图4为本实施例的获取表情特征的原理图；
图5是根据本申请第四实施例的示意图；
图6为本实施例的确定表情差异特征的原理图；
图7是根据本申请第五实施例的示意图；
图8是根据本申请第六实施例的示意图；
图9为本实施例的表情识别方法的原理图；
图10是根据本申请第七实施例的示意图；
图11是根据本申请第八实施例的示意图；
图12是根据本申请第九实施例的示意图；
图13是根据本申请第十实施例的示意图；
图14是根据本申请第十一实施例的示意图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1是根据本申请第一实施例的示意图，如图1所示，本申请实施例的表情预测模型的训练方法的应用场景的示意图包括：表情预测模型的训练装置(下文简称训练装置)、以及一个或多个角色。
示例性地，训练装置可以为计算机、服务器(可以为云服务器或者本地服务器)、终端设备、处理器、以及芯片等。角色的数量可以基于需求、历史记录、以及试验等进行设置。
例如，以基于需求对角色的数量进行设置的原理可以为：针对相对较高精度的训练需求，设置的角色的数量可以相对较多，相应地，针对相对较低精度的训练需求，设置的角色的数量可以相对较少。具体地，图1中示范性地展示了n个角色，即图1中所示的角色1、角色2、以及角色n。
如图1所示，训练装置中设置表情预测模型，表情预测模型可以为任意网络模型框架，即本申请实施例对表情预测模型的类型以及结构等不做限定。
例如，表情预测模型的类型可以为卷积神经网络模型、循环神经网络模型、长短期记忆神经网络模型、以及对抗神经网络模型。表情预测模型的结构，如通道数量等可以基于需求、历史记录、以及试验等进行设置。
在相关技术中，训练得到成熟的表情预测模型的方法包括：针对每一角色，采集每一角色的音频信息，确定音频信息相对于面部模型中的每一面部顶点的表情特征，即，对于所有的面部顶点，都分别确定每一面部顶点对应的表情特征，并对所有的表情特征进行分析，直至得到成熟的表情预测模型。
然而，面部顶点的数量一般较大，如面部顶点的数量为5023个，因此，得到的所有的表情特征也为5023个，且需要分析的表情特征的数量也为5023个，造成数据分析量较大，而数据分析量较大，可能导致训练时间较长，并且需要消耗大量的资源的问题。
本申请的发明人经过创造性地劳动，得到了本申请的发明构思：对所有表情特征中的表情差异特征进行分析，以便降低数据分析量，从而实现提高训练表情预测模型的效率，且节约训练资源的技术效果。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。
基于上述发明构思，本申请提供一种表情预测模型的训练方法，应用于计算机视觉、语音技术以及深度学习等人工智能技术领域，以达到提高表情预测模型的训练效率和速度，且降低训练资源的技术效果。
图2是根据本申请第二实施例的示意图，如图2所示，本申请实施例的表情预测模型的训练方法包括：
S101：对待训练的音频信息进行语义分析，得到与待训练的音频信息对应的表情特征。
示例性地，本实施例的执行主体可以为表情预测模型的训练装置(下文简称训练装置)，且结合对图1所示的应用场景的描述可知，训练装置可以为计算机、服务器(可以为云服务器或者本地服务器)、终端设备、处理器、以及芯片等。
表情特征可以表征，不同情感对应于面部模型时，面部模型上的各面部顶点的在面部模型上的位置相关的信息。
结合如图1所示的应用场景，一个示例中，训练装置中设置有表情预测模型，可以由表情预测模型对音频信息进行语义分析；另一个示例中，训练装置中也可以设置有处理器等，用于对音频信息进行语义分析。
值得说明地是，音频信息可以体现角色的情感，而不同的情感可能呈现不同的面部表情，在本实施例中，训练装置可以对音频信息进行语义分析，确定与音频信息对应的面部表情的表情特征。
S102：重复以下步骤，直至得到成熟的表情预测模型：根据预设的表情预测模型对表情特征和预设标定特征进行处理，得到表情特征与预设标定特征之间的表情差异特征，其中，预设标定特征表征面部在无表情时的面部表情特征；根据表情差异特征对表情预测模型的参数进行调整。
其中，成熟的表情预测模型用于识别待预测的音频信息所表征的表情。
在本实施例中，引入了表情差异特征的概念，表情差异特征可以理解为表情特征与预设标定特征之间的差异性的特征，即表情差异特征为，表情特征与预设标定特征之间存在差异的特征。
也就是说，在本实施例中，是基于表情特征与预设标定特征之间的差异性的特征(即表情差异特征)，对表情预测模型的参数进行调整，直至得到成熟的表情预测模型，而无需如相关技术中基于所有的表情特征，得到成熟的表情预测模型，采用本实施例的方案，无需结合没有差异的表情特征对表情预测模型的参数进行调整，通过减少调整时的信息量(即没有差异的表情)，可以提高调整的效率，降低了训练的难度、训练资源、以及负载，使得表情预测模型快速收敛，提高了训练效率和速度。
图3是根据本申请第三实施例的示意图，如图3所示，本申请实施例的表情预测模型的训练方法包括：
S201：根据语音识别器DeepSpeech，对待训练的音频信息进行特征提取，得到音频特征。
音频特征可以表征，与声音相关的信息，如声强(级)、响度、以及音高等中的一种或多种。
一个示例中，表情预测模型中可以设置语音识别器，从而由表情预测模型中的语音识别器对待训练的音频信息进行特征提取，得到音频特征。
另一个示例中，语音识别器可以与表情预测模型连接，当语音识别器对待训练的音频信息进行特征提取，得到音频特征时，可以将音频特征发送给表情预测模型。
示例性地，该步骤可以理解为：语音识别器(如表情预测模型中设置的语音识别器，或者，独立于表情预测模型的语音识别器)可以对待训练的语音信息进行采集并进行语音识别，而通过语音识别可以从待训练的音频信息中提取声强(级)、响度、以及音高等中的一种或多种，作为音频特征。
S202：根据表情预测模型中的编码器，对音频特征进行编码，得到编码信息。
图4为本实施例的获取表情特征的原理图，结合图4可知，语音识别器的输入为待训练的音频信息，由语音识别器对待训练的音频信息进行特征提取，得到与待训练的音频信息对应的音频特征，即语音识别器的输出为音频特征，且语音识别器得到音频特征之后，可以将音频特征发送给编码器，相应地，编码器接收由语音识别器发送的音频特征，并对音频特征进行编码，得到编码信息。
编码器可以为自编码器，且自编码器可以包括收缩自编码器(undercompleteautoencoder)、正则自编码器(regularized autoencoder)和变分自编码器(VariationalAutoEncoder,VAE)，可以基于需求、历史记录以及试验等选择适合的编码器，本实施例不做限定。
编码信息可以表征，对音频特征进行编码后的向量。关于编码器对音频特征进行编码的方法，可以参见相关技术中的方案，此次不再赘述。
S203：根据表情预测模型中的解码器，对编码信息进行语义分析，得到与待训练的音频信息对应的表情特征。
结合如图4所示的原理图，本实施例可以理解为，编码器在对音频特征进行编码，得到编码信息之后，可以将编码信息发送给解码器，相应地，解码器可以接收由编码器发送的编码信息，并对编码信息进行语义分析，得到表情特征。
示例性地，解码器可以得到与编码信息对应的文本信息，并对文本信息进行文本预处理，如分词处理和去停用词处理，并对文本预处理后的编码信息进行情感分析处理，如采用预设的情感词典确定文本预处理后的编码信息的情感特征，结合上述示例可知，不同的情感对应不同的表情，因此，解码器可以基于情感特征确定表情特征，如可以设置情感特征与表情特征之间的映射关系，并基于映射关系确定与情感特征对应的表情特征。
值得说明地是，在本实施例中，通过对由语音识别器待训练的音频信息进行特征提取，得到音频特征，由编码器对音频特征进行编码，获得编码信息，并由解码器对编码信息进行解析，得到表情特征，可以实现提高表情特征提取的准确性和可靠性的技术效果。
S204：根据预设的表情预测模型对表情特征对应的面部顶点和预设标定特征对应的面部顶点进行处理，得到表情差异特征，其中，表情差异特征表征表情特征对应的面部顶点、预设标定特征对应的面部顶点之间的差异。
值得说明地是，该步骤可以由表情预测模型中的解码器执行，也可以由表情预测模型中的其他的结构实现，本实施例不做限定。
该步骤可以理解为：表情预测模型在确定出表情特征之后，可以继续确定表情特征对应的面部顶点，并确定预设标定特征对应的面部顶点，将两个维度的面部顶点(即表情特征对应的面部顶点和预设标定特征对应的面部顶点)进行比较，得到两个维度的面部顶点之间的差异，该差异对应的特征即为表情差异特征。
在本实施例中，通过结合面部顶点，对表情差异特征进行确定，可以可靠且快速地确定出表情差异特征，从而提高训练的效率和可靠性的技术效果。
在一些实施例中，S204可以包括：确定表情特征对应的面部顶点的位置信息，并确定预设标定特征对应的面部顶点的位置信息，将表情特征对应的面部顶点的位置信息与预设标定特征对应的面部顶点的位置信息之间的差值，确定为表情差异特征。
在一些实施例中，获取预设标定特征的方法可以包括如下步骤：
步骤1：获取面部在无表情时的二维图像。
例如，结合图1所示的应用场景，可以获取图1中至少一个角色的，并获取至少一个角色的面部在无表情时的二维图像。
步骤2：对二维图像进行三维重建处理，获得三维模型，并提取三维模型中的预设标定特征。
结合上述示例，对至少一个角色的面部在无表情时的二维图像进行三维重建，得到三维模型，并从三维模型中提取各顶点的特征，作为预设标定特征。
在本实施例中，通过对至少一个角色的面部在无表情时的二维图像进行三维重建，得到三维模型，并根据三维模型确定预设标定特征，可以使得预设标定特征高可靠性的展现角色的面部在无表情时的特征，从而提高基于预设标定特征确定表情差异特征时的准确性和可靠性的技术效果。
一个示例中，若为根据一个角色的面部在无表情时的二维图像确定三维模型，则可以根据二维图像的各像素点的像素信息，确定三维模型中的各顶点的位置信息，从而完成三维重建处理。
另一个实施例中，若为根据多个角色的面部在无表情时，各自对应的二维图像确定三维模型，则可以确定每一二维图像的各像素点的像素信息，并确定各二维图像的每一像素点的平均像素信息，并根据平均像素信息，确定三维模型中的各顶点的位置信息，从而完成三维重建处理。
S205：根据表情差异特征对表情预测模型的参数进行调整，直至得到成熟的表情预测模型。
在一些实施例中，S205可以包括如下步骤：
步骤1：将表情差异特征确定为表情预测结果。
值得说明地是，在本实施例中，是将表情差异特征确定表情预测结果，而表情差异特征表征的是，表情特征对应的面部顶点与预设标定特征对应的面部顶点之间的差异(即面部顶点差值)，因此，在本实施例中，表情预测模型训练地为顶点差值部分，只需要对存在差异的信息进行训练，相较于相关技术中将所有面部顶点都参与训练，造成地训练量大的弊端，本实施例实现了降低训练量，提高训练效率的技术效果。
步骤2：根据表情预测结果与待训练的音频信息的表情标定结果的一致程度，对表情预测模型的参数进行调整，直至得到成熟的表情预测模型。
表情标定结果可以表征，预先标定的，表情特征与预设标定特征之间的差异，表情标定结果为表情预测模型的训练标签。表情预测模型的参数可以表征，表情预测模型的权重系数等。
示例性地，若一致程度偏低，则相对调整的幅度可以较大；相应地，若一直程度偏高，则相对调整的幅度可以较小。
值得说明地是，在本实施例中，根据一致程度对表情预测模型的参数进行调整，可以提高调整的灵活性，且加快表情预测模型的训练的收敛，提高得到成熟的表情预测模型效率的技术效果。
在一些实施例中，当表情预测结果与所述表情标定结果一致时，则确定得到成熟的表情预测模型。
值得说明地是，在本实施例中，成熟的表情预测模型，为表情预测结果与表情标定结果一致时的表情预测模型，当表情预测结果与表情结果一致时，说明表情预测结果的可靠性偏高，因此，当采用成熟的表情预测模型进行表情预测时，可以使得预测结果具有高可靠性和准确性的技术效果。
值得说明地是，S201至S203可以替换为如下步骤：可以由语音识别器对待训练的音频信息进行特征提取，得到音频特征，并对音频特征进行语义分析，得到与音频特征对应表情特征，并将表情特征发送给表情预测模型的编码器，由编码器对表情特征进行编码，得到编码信息，并将编码信息发送给解码器，由解码器对编码信息进行解码，获得与表情特征对应的面部顶点。
也就是说，在一些实施例中，可以由解码器对解码信息进行语义分析，确定与音频特征对应的表情特征，而在另一些实施例中，也可以由语音识别器对音频特征进行语义分析，确定与音频特征对应的表情特征。
值得说明地是，在本实施例中，通过由语音识别器确定表情特征，可以提高解码器的解码速率，加快表情预测模型的训练的技术效果，且通过采用不同的方法确定音频特征的表情特征，可以提高表情预测模型训练的灵活性和多样性的技术效果。
图5是根据本申请第四实施例的示意图，如图5所示，本申请实施例的表情预测模型的训练方法包括：
S301：根据语音识别器获取多个角色的待训练的音频信息，并对每一角色的待训练音频信息进行特征提取，得到每一角色的音频特征。
示例性地，关于获取音频特征的原理可以参见第二实施例，或者，第三实施例，此处不再赘述。
S302：根据表情预测模型中的编码器对各音频特征分别进行编码，得到每一音频特征各自对应的编码信息，并基于预设的角色与解码器之间的映射关系，将每一编码信息均发送给相应地解码器。
结合如图6所示确定表情差异特征的原理图，本实施例可以理解为，参与表情预测模型训练的角色为多个，且一个角色对应一个解码器，即一个解码器对一个角色的编码信息进行解码。结合如图1所示的应用场景，参与表情预测模型训练的角色为n个，解码器的数量为n为，一个角色对应一个解码器。
示例性地，针对n个角色中的每一角色，语音识别器均对与其对应的待训练的音频信息进行特征提取，得到音频特征，得到并将音频特征发送给编码器。
例如，结合图6所示的原理图，语音识别器对角色1的待训练的音频信息1进行特征提取，得到与角色1对应的音频特征1，并将音频特征1发送给编码器。以此类推，此处不再一一列举。
相应地，编码器接收由语音识别器发送的n个角色各自对应的音频特征，且编码器对每一个角色的音频特征均进行编码处理，得到相应地编码信息，并基于角色与解码器的映射关系，从n个解码器中确定与每一编码信息对应地解码器，并将每一编码信息发送给对应地解码器。
例如，结合图6所示的原理图，编码器对音频特征1进行编码，得到编码信息1，并基于映射关系将编码信息1发送给解码器1。以此类推，此处不再一一列举。
S303：根据表情预测模型中的与每一角色对应的解码器，对接收到的编码信息进行语义分析，得到表情特征，并对表情特征与预设标定特征进行处理，得到相应地表情差异特征，其中，预设标定特征表征面部在无表情时的面部表情特征。
结合上述示例，该步骤可以理解为：n个解码器中的每一个解码器都会接收到编码器发送的编码信息，且每一个解码器接收到的编码信息，均是与该解码器存在映射关系的角色对应的，每一解码器均对其接收到的编码信息进行语义分析，得到相应地表情特征，并得到表情差异特征。
示例性地，结合图6中解码器n为例说明如下：
编码器将角色n的编码信息发送给解码器n，解码器n对接收到的编码信息进行语义分析，得到与角色n对应的表情特征，并根据与角色n对应的表情特征确定角色n对应的表情差异特征。
S304：根据表情差异特征对表情预测模型的参数进行调整，直至得到成熟的表情预测模型。
其中，成熟的表情预测模型用于识别待处理的音频信息所表征的表情。
值得说明地是，在本实施例中，一方面，通过采用多角色的方式对表情预测模型进行训练，可以使得待训练的音频信息的丰富程度相对较高，从而可以实现表情预测模型训练的可靠性，进而使得成熟的表情预测模型具有普遍适用性和高可靠性的技术效果；另一个方面，通过结合一个角色对应一个解码器，避免了因不同的角色的说话风格、脸型等干扰因子的影响使得表情预测模型难以收敛、容易抖动的问题，可以加速表情预测模型的收敛，从而提高训练表情预测模型的效率和速度，降低训练资源的技术效果；再一方面，由于采用一个角色对应一个解码器的技术特征，可以使得不同的解码器学习到不同角色的特点，提高表情预测模型的普遍适用性、应用的灵活性、以及满足不同类型的角色的预测需求的技术效果。
图7是根据本申请第五实施例的示意图，如图7所示，本申请实施例的表情识别方法包括：
S401：对待预测的音频信息进行语义分析，得到与待预测的音频信息对应的表情特征。
示例性地，本实施例的执行主体可以为表情识别装置(下文简称识别装置)，一些实施例中，识别装置可以为与训练装置相同的装置，另一些实施例中，识别装置也可以为与训练装置不相同的装置，且识别装置具体可以为计算机、服务器(可以为云服务器或者本地服务器)、终端设备、处理器、以及芯片等。
应该理解地是，关于S401的原理，可以参见第一实施例中，训练装置对待训练的音频信息进行语义分析的原理，此处不再赘述。
S402：根据预设的表情预测模型对表情特征进行表情预测，得到与表情特征对应的表情差异特征，其中，表情差异特征表征，表情特征与面部在无表情时的面部表情特征之间的差异。
其中，表情预测模型为基于上述第二实施例、第三实施例以及第四实施例中的任一实施例生成的，结合述第二实施例、第三实施例以及第四实施例中的任一实施例可知，表情预测模型是基于表情差异特征训练生成的，因此，当在应用表情预测模型进行表情预测时，可以得到表情差异特征。
S403：根据表情差异特征，确定与待预测的音频信息对应的表情预测结果。
值得说明地是，在本实施例中，通过对表情差异特征进行确定，并基于表情差异特征确定表情预测结果，可以避免相关技术中，基于全部的表情特征确定表情预测结果造成的分析量大、预测效率偏低的弊端，减少了分析量，降低了分析资源，提高了分析效率，从而提高了预测效率的技术效果。
图8是根据本申请第六实施例的示意图，如图8所示，本申请实施例的表情识别方法包括：
S501：根据语音识别器对待预测的音频信息进行特征提取，得到音频特征。
应该理解地是，关于S501的原理可以参见第三实施例中，训练装置确定待训练的音频信息的音频特征的原理，此处不再赘述。
S502：根据表情预测模型中的编码器，对音频特征进行编码，得到编码信息。
应该理解地是，关于S502的原理可以参见第三实施例中，训练装置确定编码信息的原理，此处不再赘述。
S503：根据表情预测模型中的解码器，对编码信息进行语义分析，得到与待训练的音频信息对应的表情特征。
应该理解地是，关于S503的原理可以参见第三实施例中，训练装置确定表情特征的原理，此处不再赘述。
S504：根据表情预测模型对表情特征对应的面部顶点进行表情预测处理，得到表情差异特征，其中，表情差异特征可以表征，表情特征对应的面部顶点、面部在无表情时的面部顶点之间的差异。
应该理解地是，关于S504的原理可以参见第三实施例中，训练装置确定表情差异特征的原理，此处不再赘述。
S505：根据表情预测模型中的解码器，对表情差异特征和预设标定特征进行处理，得到表情预测结果，其中，预设标定特征表征面部在无表情时的面部表情特征。
示例性地，获得预设标定特征的方法可以第三实施例中所述的方法，此次不再赘述。
在一些实施例中，S505可以包括：将表情差异特征和预设标定特征进行叠加处理，从而得到表情预测结果。
例如，将表情差异特征对应的面部顶点的位置信息与预设标定特征对应的面部顶点的位置信息之间的和，确定为表情预测结果。
示例性地，结合图9对本实施例的表情识别方法的原理进行如下阐述：
语音识别器的输入为待预测的音频信息，语音识别器对待预测的音频信息进行特征提取，得到与待预测的音频信息对应的音频特征，并将音频特征发送给编码器，编码器对音频特征进行编码，得到相应地编码信息，并将编码信息发送给解码器，解码器对编码信息进行预测，得到表情差异特征，识别装置根据表情差异特征与预设标定特征(如图9中所示的面部在无表情时的表情特征)进行叠加处理，得到表情预测结果(如图9中所示的输出的面部表情)。
基于上述分析可知，在训练表情预测模型时，参与训练的角色为多个，表情预测模型可以包括多个解码器，且解码器与角色存在映射关系，即一个角色对应一个解码器，因此，在应用表情预测模型时，可以基于多个解码器中的一个解码器，对于音频信息对应的解码信息进行语义分析等处理，从而得到相应地表情预测结果。
一个示例中，在用户使用表情预测模型对任一角色进行表情预测时，用户可以选择表情预测模型的解码器，则在表情预测过程中，表情预测模型基于被用户选择的解码器进行相应地表情预测操作。
另一个示例中，可以由编码器对表情预测的角色对应地解码器进行确定，例如，基于预设的角色与解码器之间的映射关系，并将对待预测的音频信息进行编码得到编码信息，发送给确定出的解码器。
图10是根据本申请第七实施例的示意图，如图10所示，本申请实施例的表情预测模型的训练装置包括：
第一语义分析模块11，用于对待训练的音频信息进行语义分析，得到与所述待训练的音频信息对应的表情特征；
训练模块12，用于重复以下步骤，直至得到成熟的表情预测模型：根据预设的表情预测模型对所述表情特征和预设标定特征进行处理，得到所述表情特征与所述预设标定特征之间的表情差异特征，其中，所述预设标定特征表征面部在无表情时的面部表情特征；根据所述表情差异特征对所述表情预测模型的参数进行调整；
其中，所述成熟的表情预测模型用于识别待处理的音频信息所表征的表情。
在一些实施例中，所述训练模块12用于，根据所述表情预测模型对所述表情特征对应的面部顶点和预设标定特征对应的面部顶点进行处理，得到所述表情差异特征，其中，所述表情差异特征表征所述表情特征对应的面部顶点、所述预设标定特征对应的面部顶点之间的差异。
在一些实施例中，所述训练模块12用于，根据所述表情预测模型中的编码器对所述表情特征进行编码，得到编码信息，根据所述表情预测模型中的解码器，提取所述编码信息中的所述表情特征对应的面部顶点，根据所述表情预测模型中的解码器，对所述表情特征对应的面部顶点和预设标定特征对应的面部顶点进行处理，得到所述表情差异特征。
在一些实施例中，所述训练模块12用于，对所述待训练的音频信息进行特征提取，得到音频特征，根据所述表情预测模型中的解码器，对所述音频特征进行语义分析，得到与所述待训练的音频信息对应的表情特征。
图11是根据本申请第八实施例的示意图，如图11所示，在第七实施例的基础上，本申请实施例的表情预测模型的训练装置包括：
第一获取模块13，用于获取面部在无表情时的二维图像；
第一建模模块14，用于对所述二维图像进行三维重建处理，获得三维模型；
第一提取模块15，用于提取所述三维模型中的所述预设标定特征。
在一些实施例中，所述训练模块12用于，根据所述表情差异特征确定表情预测结果，根据所述表情预测结果与所述待训练的音频信息的表情标定结果的一致程度，对所述表情预测模型的参数进行调整。
在一些实施例中，在得到所述成熟的表情预测模型时，所述表情预测结果与所述表情标定结果是一致的。
在一些实施例中，所述待训练的音频信息为多个，每一所述待训练的音频信息具有对应的角色；所述训练模块12用于，根据所述表情预测模型中的与每一角色对应的解码器，对每一所述待训练的音频信息的表情特征、以及预设标定特征进行处理，得到每一所述待训练的音频信息的表情差异特征。
在一些实施例中，所述待训练的音频信息为多个，每一所述待训练的音频信息具有对应的角色；所述训练模块12用于，根据所述表情预测模型中的与每一角色对应的解码器，对每一角色对应的待训练的音频信息进行语义分析，得到每一所述待训练的音频信息的表情特征。
图12是根据本申请第九实施例的示意图，如图12所示，本申请实施例的表情识别装置，包括：
第二语义分析模块21，用于对待预测的音频信息进行语义分析，得到与所述待预测的音频信息对应的表情特征；
预测模块22，用于根据预设的表情预测模型对所述表情特征进行表情预测处理，得到与所述表情特征对应的表情差异特征，其中，所述表情差异特征表征，所述表情特征与面部在无表情时的面部表情特征之间的差异；
确定模块23，用于根据所述表情差异特征，确定与所述待预测的音频信息对应的表情预测结果。
在一些实施例中，所述预测模块22用于，根据所述表情预测模型对所述表情特征对应的面部顶点进行表情预测处理，得到所述表情差异特征，其中，所述表情差异特征表征，所述表情特征对应的面部顶点、面部在无表情时的面部顶点之间的差异。
在一些实施例中，所述预测模块22用于，根据所述表情预测模型中的编码器对所述表情特征进行编码，得到编码信息，根据所述表情预测模型中的解码器，提取所述编码信息中的所述表情特征对应的面部顶点，根据所述表情预测模型中的解码器，对所述表情特征对应的面部顶点进行表情预测处理，得到所述表情差异特征。
在一些实施例中，所述第二语义分析21用于，对所述待预测的音频信息进行特征提取，得到音频特征，根据所述表情预测模型中的解码器，对所述音频特征进行语义分析，得到与所述待预测的音频信息对应的表情特征。
在一些实施例中，所述确定模块23用于，根据所述表情预测模型中的解码器，对所述表情差异特征和预设标定特征进行处理，得到所述表情预测结果，其中，所述预设标定特征表征面部在无表情时的面部表情特征。
图13是根据本申请第十实施例的示意图，如图13所示，在第九实施例的基础上，本申请实施例的表情识别装置还包括：
第二获取模块24，用于获取面部在无表情时的二维图像；
第二建模模块25，用于对所述二维图像进行三维重建处理，获得三维模型；
第二提取模块26，用于提取所述三维模型中的所述预设标定特征。
在一些实施例中，所述待预测的音频信息为多个，每一所述待预测的音频信息具有对应的角色；所述预测模块22用于，根据所述表情预测模型中的与每一角色对应的解码器，对每一所述待预测的音频信息的表情特征进行表情预测处理，得到每一所述待预测的音频信息的表情差异特征。
在一些实施例中，所述待预测的音频信息为多个，每一所述待预测的音频信息具有对应的角色；所述第二语义分析模块21用于，根据所述表情预测模型中的与每一角色对应的解码器，对每一角色对应的待预测的音频信息进行语义分析，得到每一所述待预测的音频信息的表情特征。
根据本申请的实施例，本申请还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现如上第一方面所述的方法，例如，实现如图2、图3以及图5中任一实施例所示的表情预测模型的训练方法；或者，
该计算机程序被处理器执行时实现如上第二方面所述的方法，例如，实现如图7或者图8所示的表情识别方法。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
示例性地，电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
图14是根据本申请第十一实施例的示意图，如图14所示，本申请实施例的电子设备1400包括计算单元1401，其可以根据存储在只读存储器(ROM)1402中的计算机程序或者从存储单元1408加载到随机访问存储器(RAM)1403中的计算机程序，来执行各种适当的动作和处理。在RAM 1403中，还可存储设备1400操作所需的各种程序和数据。计算单元1401、ROM 1402以及RAM 1403通过总线1404彼此相连。输入/输出(I/O)接口1405也连接至总线1404。
设备1400中的多个部件连接至I/O接口1405，包括：输入单元1406，例如键盘、鼠标等；输出单元1407，例如各种类型的显示器、扬声器等；存储单元1408，例如磁盘、光盘等；以及通信单元1409，例如网卡、调制解调器、无线通信收发机等。通信单元1409允许设备1400通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元1401可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1401的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1401执行上文所描述的各个方法和处理，例如表情预测模型的训练方法，或者，表情识别方法。例如，在一些实施例中，表情预测模型的训练方法，或者，表情识别方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1408。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1402和/或通信单元1409而被载入和/或安装到设备1400上。当计算机程序加载到RAM1403并由计算单元1401执行时，可以执行上文描述的表情预测模型的训练方法，或者，表情识别方法的一个或多个步骤。备选地，在其他实施例中，计算单元1401可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行表情预测模型的训练方法，或者，表情识别方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、区块链服务网络(Block-chain-based Service Network，BSN)、广域网(WAN)、互联网和区块链网络。计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (37)

1.一种表情预测模型的训练方法，包括：
对待训练的音频信息进行语义分析，得到与所述待训练的音频信息对应的表情特征；
重复以下步骤，直至得到成熟的表情预测模型：根据预设的表情预测模型对所述表情特征和预设标定特征进行处理，得到所述表情特征与所述预设标定特征之间的表情差异特征，其中，所述预设标定特征表征面部在无表情时的面部表情特征；根据所述表情差异特征对所述表情预测模型的参数进行调整；
其中，所述成熟的表情预测模型用于识别待处理的音频信息所表征的表情。
2.根据权利要求1所述的方法，其中，根据预设的表情预测模型对所述表情特征和预设标定特征进行处理，得到所述表情特征与所述预设标定特征之间的表情差异特征，包括：
根据所述表情预测模型对所述表情特征对应的面部顶点和预设标定特征对应的面部顶点进行处理，得到所述表情差异特征，其中，所述表情差异特征表征所述表情特征对应的面部顶点、所述预设标定特征对应的面部顶点之间的差异。
3.根据权利要求2所述的方法，其中，根据所述表情预测模型对所述表情特征对应的面部顶点和预设标定特征对应的面部顶点进行处理，得到所述表情差异特征，包括：
根据所述表情预测模型中的编码器对所述表情特征进行编码，得到编码信息；
根据所述表情预测模型中的解码器，提取所述编码信息中的所述表情特征对应的面部顶点；
根据所述表情预测模型中的解码器，对所述表情特征对应的面部顶点和预设标定特征对应的面部顶点进行处理，得到所述表情差异特征。
4.根据权利要求1所述的方法，其中，对待训练的音频信息进行语义分析，得到与所述待训练的音频信息对应的表情特征，包括：
对所述待训练的音频信息进行特征提取，得到音频特征；
根据所述表情预测模型中的解码器，对所述音频特征进行语义分析，得到与所述待训练的音频信息对应的表情特征。
5.根据权利要求1所述的方法，所述方法还包括：
获取面部在无表情时的二维图像；
对所述二维图像进行三维重建处理，获得三维模型，并提取所述三维模型中的所述预设标定特征。
6.根据权利要求1所述的方法，其中，根据所述表情差异特征对所述表情预测模型的参数进行调整，包括：
根据所述表情差异特征确定表情预测结果；
根据所述表情预测结果与所述待训练的音频信息的表情标定结果的一致程度，对所述表情预测模型的参数进行调整。
7.根据权利要求6所述的方法，其中，在得到所述成熟的表情预测模型时，所述表情预测结果与所述表情标定结果是一致的。
8.根据权利要求1-7任一项所述的方法，其中，所述待训练的音频信息为多个，每一所述待训练的音频信息具有对应的角色；根据预设的表情预测模型对所述表情特征和预设标定特征进行处理，得到所述表情特征与所述预设标定特征之间的表情差异特征，包括：
根据所述表情预测模型中的与每一角色对应的解码器，对每一所述待训练的音频信息的表情特征、以及预设标定特征进行处理，得到每一所述待训练的音频信息的表情差异特征。
9.根据权利要求8所述的方法，其中，所述待训练的音频信息为多个，每一所述待训练的音频信息具有对应的角色；对待训练的音频信息进行语义分析，得到与所述待训练的音频信息对应的表情特征，包括：
根据所述表情预测模型中的与每一角色对应的解码器，对每一角色对应的待训练的音频信息进行语义分析，得到每一所述待训练的音频信息的表情特征。
10.一种表情识别方法，包括：
对待预测的音频信息进行语义分析，得到与所述待预测的音频信息对应的表情特征；
根据预设的表情预测模型对所述表情特征进行表情预测处理，得到与所述表情特征对应的表情差异特征，其中，所述表情差异特征表征，所述表情特征与面部在无表情时的面部表情特征之间的差异；
根据所述表情差异特征，确定与所述待预测的音频信息对应的表情预测结果。
11.根据权利要求10所述的方法，其中，根据预设的表情预测模型对所述表情特征进行表情预测处理，得到与所述表情特征对应的表情差异特征，包括：
根据所述表情预测模型对所述表情特征对应的面部顶点进行表情预测处理，得到所述表情差异特征，其中，所述表情差异特征表征，所述表情特征对应的面部顶点、面部在无表情时的面部顶点之间的差异。
12.根据权利要求11所述的方法，其中，根据所述表情预测模型对所述表情特征对应的面部顶点进行表情预测处理，得到所述表情差异特征，包括：
根据所述表情预测模型中的编码器对所述表情特征进行编码，得到编码信息；
根据所述表情预测模型中的解码器，提取所述编码信息中的所述表情特征对应的面部顶点；
根据所述表情预测模型中的解码器，对所述表情特征对应的面部顶点进行表情预测处理，得到所述表情差异特征。
13.根据权利要求10所述的方法，其中，对待预测的音频信息进行语义分析，得到与所述待预测的音频信息对应的表情特征，包括：
对所述待预测的音频信息进行特征提取，得到音频特征；
根据所述表情预测模型中的解码器，对所述音频特征进行语义分析，得到与所述待预测的音频信息对应的表情特征。
14.根据权利要求10所述的方法，其中，根据所述表情差异特征，确定与所述待预测的音频信息对应的表情预测结果，包括：
根据所述表情预测模型中的解码器，对所述表情差异特征和预设标定特征进行处理，得到所述表情预测结果，其中，所述预设标定特征表征面部在无表情时的面部表情特征。
15.根据权利要求14所述的方法，所述方法还包括：
获取面部在无表情时的二维图像；
对所述二维图像进行三维重建处理，获得三维模型，并提取所述三维模型中的所述预设标定特征。
16.根据权利要求10-15任一项所述的方法，其中，所述待预测的音频信息为多个，每一所述待预测的音频信息具有对应的角色；根据预设的表情预测模型对所述表情特征进行表情预测处理，得到与所述表情特征对应的表情差异特征，包括：
根据所述表情预测模型中的与每一角色对应的解码器，对每一所述待预测的音频信息的表情特征进行表情预测处理，得到每一所述待预测的音频信息的表情差异特征。
17.根据权利要求16所述的方法，其中，所述待预测的音频信息为多个，每一所述待预测的音频信息具有对应的角色；对待预测的音频信息进行语义分析，得到与所述待预测的音频信息对应的表情特征，包括：
根据所述表情预测模型中的与每一角色对应的解码器，对每一角色对应的待预测的音频信息进行语义分析，得到每一所述待预测的音频信息的表情特征。
18.一种表情预测模型的训练装置，包括：
第一语义分析模块，用于对待训练的音频信息进行语义分析，得到与所述待训练的音频信息对应的表情特征；
训练模块，用于重复以下步骤，直至得到成熟的表情预测模型：根据预设的表情预测模型对所述表情特征和预设标定特征进行处理，得到所述表情特征与所述预设标定特征之间的表情差异特征，其中，所述预设标定特征表征面部在无表情时的面部表情特征；根据所述表情差异特征对所述表情预测模型的参数进行调整；
其中，所述成熟的表情预测模型用于识别待处理的音频信息所表征的表情。
19.根据权利要求18所述的训练装置，其中，所述训练模块用于，根据所述表情预测模型对所述表情特征对应的面部顶点和预设标定特征对应的面部顶点进行处理，得到所述表情差异特征，其中，所述表情差异特征表征所述表情特征对应的面部顶点、所述预设标定特征对应的面部顶点之间的差异。
20.根据权利要求19所述的训练装置，其中，所述训练模块用于，根据所述表情预测模型中的编码器对所述表情特征进行编码，得到编码信息，根据所述表情预测模型中的解码器，提取所述编码信息中的所述表情特征对应的面部顶点，根据所述表情预测模型中的解码器，对所述表情特征对应的面部顶点和预设标定特征对应的面部顶点进行处理，得到所述表情差异特征。
21.根据权利要求18所述的训练装置，其中，所述训练模块用于，对所述待训练的音频信息进行特征提取，得到音频特征，根据所述表情预测模型中的解码器，对所述音频特征进行语义分析，得到与所述待训练的音频信息对应的表情特征。
22.根据权利要求18所述的训练装置，所述训练装置还包括：
第一获取模块，用于获取面部在无表情时的二维图像；
第一建模模块，用于对所述二维图像进行三维重建处理，获得三维模型；
第一提取模块，用于提取所述三维模型中的所述预设标定特征。
23.根据权利要求18所述的训练装置，其中，所述训练模块用于，根据所述表情差异特征确定表情预测结果，根据所述表情预测结果与所述待训练的音频信息的表情标定结果的一致程度，对所述表情预测模型的参数进行调整。
24.根据权利要求23所述的训练装置，其中，在得到所述成熟的表情预测模型时，所述表情预测结果与所述表情标定结果是一致的。
25.根据权利要求18-24任一项所述的训练装置，其中，所述待训练的音频信息为多个，每一所述待训练的音频信息具有对应的角色；所述训练模块用于，根据所述表情预测模型中的与每一角色对应的解码器，对每一所述待训练的音频信息的表情特征、以及预设标定特征进行处理，得到每一所述待训练的音频信息的表情差异特征。
26.根据权利要求25所述的训练装置，其中，所述待训练的音频信息为多个，每一所述待训练的音频信息具有对应的角色；所述训练模块用于，根据所述表情预测模型中的与每一角色对应的解码器，对每一角色对应的待训练的音频信息进行语义分析，得到每一所述待训练的音频信息的表情特征。
27.一种表情识别装置，包括：
第二语义分析模块，用于对待预测的音频信息进行语义分析，得到与所述待预测的音频信息对应的表情特征；
预测模块，用于根据预设的表情预测模型对所述表情特征进行表情预测处理，得到与所述表情特征对应的表情差异特征，其中，所述表情差异特征表征，所述表情特征与面部在无表情时的面部表情特征之间的差异；
确定模块，用于根据所述表情差异特征，确定与所述待预测的音频信息对应的表情预测结果。
28.根据权利要求27所述的识别装置，其中，所述预测模块用于，根据所述表情预测模型对所述表情特征对应的面部顶点进行表情预测处理，得到所述表情差异特征，其中，所述表情差异特征表征，所述表情特征对应的面部顶点、面部在无表情时的面部顶点之间的差异。
29.根据权利要求28所述的识别装置，其中，所述预测模块用于，根据所述表情预测模型中的编码器对所述表情特征进行编码，得到编码信息，根据所述表情预测模型中的解码器，提取所述编码信息中的所述表情特征对应的面部顶点，根据所述表情预测模型中的解码器，对所述表情特征对应的面部顶点进行表情预测处理，得到所述表情差异特征。
30.根据权利要求27所述的识别装置，其中，所述第二语义分析用于，对所述待预测的音频信息进行特征提取，得到音频特征，根据所述表情预测模型中的解码器，对所述音频特征进行语义分析，得到与所述待预测的音频信息对应的表情特征。
31.根据权利要求27所述的识别装置，其中，所述确定模块用于，根据所述表情预测模型中的解码器，对所述表情差异特征和预设标定特征进行处理，得到所述表情预测结果，其中，所述预设标定特征表征面部在无表情时的面部表情特征。
32.根据权利要求31所述的识别装置，所述识别装置还包括：
第二获取模块，用于获取面部在无表情时的二维图像；
第二建模模块，用于对所述二维图像进行三维重建处理，获得三维模型；
第二提取模块，用于提取所述三维模型中的所述预设标定特征。
33.根据权利要求27-32任一项所述的识别装置，其中，所述待预测的音频信息为多个，每一所述待预测的音频信息具有对应的角色；所述预测模块用于，根据所述表情预测模型中的与每一角色对应的解码器，对每一所述待预测的音频信息的表情特征进行表情预测处理，得到每一所述待预测的音频信息的表情差异特征。
34.根据权利要求33所述的识别装置，其中，所述待预测的音频信息为多个，每一所述待预测的音频信息具有对应的角色；所述第二语义分析模块用于，根据所述表情预测模型中的与每一角色对应的解码器，对每一角色对应的待预测的音频信息进行语义分析，得到每一所述待预测的音频信息的表情特征。
35.一种电子设备，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1-9中任一项所述的方法；或者，
以使所述至少一个处理器能够执行权利要求10-17中任一项所述的方法。
36.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-9中任一项所述的方法；或者，
所述计算机指令用于使所述计算机执行权利要求10-17中任一项所述的方法。
37.一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现权利要求1-9中任一项所述的方法；或者，
该计算机程序被处理器执行时实现权利要求10-17中任一项所述的方法。
CN202011423816.7A 2020-12-08 2020-12-08 表情预测模型的训练方法、识别方法、装置及电子设备 Active CN112528835B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011423816.7A CN112528835B (zh) 2020-12-08 2020-12-08 表情预测模型的训练方法、识别方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011423816.7A CN112528835B (zh) 2020-12-08 2020-12-08 表情预测模型的训练方法、识别方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN112528835A true CN112528835A (zh) 2021-03-19
CN112528835B CN112528835B (zh) 2023-07-04

Family

ID=74996715

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011423816.7A Active CN112528835B (zh) 2020-12-08 2020-12-08 表情预测模型的训练方法、识别方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN112528835B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110310237A1 (en) * 2010-06-17 2011-12-22 Institute For Information Industry Facial Expression Recognition Systems and Methods and Computer Program Products Thereof
CN107341784A (zh) * 2016-04-29 2017-11-10 掌赢信息科技（上海）有限公司 一种表情迁移方法及电子设备
US20180114057A1 (en) * 2016-10-21 2018-04-26 Samsung Electronics Co., Ltd. Method and apparatus for recognizing facial expression
CN108229239A (zh) * 2016-12-09 2018-06-29 武汉斗鱼网络科技有限公司 一种图像处理的方法及装置
CN110516696A (zh) * 2019-07-12 2019-11-29 东南大学 一种基于语音和表情的自适应权重双模态融合情感识别方法
CN111783621A (zh) * 2020-06-29 2020-10-16 北京百度网讯科技有限公司 人脸表情识别及模型训练的方法、装置、设备及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110310237A1 (en) * 2010-06-17 2011-12-22 Institute For Information Industry Facial Expression Recognition Systems and Methods and Computer Program Products Thereof
CN107341784A (zh) * 2016-04-29 2017-11-10 掌赢信息科技（上海）有限公司 一种表情迁移方法及电子设备
US20180114057A1 (en) * 2016-10-21 2018-04-26 Samsung Electronics Co., Ltd. Method and apparatus for recognizing facial expression
CN107977598A (zh) * 2016-10-21 2018-05-01 三星电子株式会社 用于识别面部表情的方法和设备
CN108229239A (zh) * 2016-12-09 2018-06-29 武汉斗鱼网络科技有限公司 一种图像处理的方法及装置
CN110516696A (zh) * 2019-07-12 2019-11-29 东南大学 一种基于语音和表情的自适应权重双模态融合情感识别方法
CN111783621A (zh) * 2020-06-29 2020-10-16 北京百度网讯科技有限公司 人脸表情识别及模型训练的方法、装置、设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
KAZUKI YAMAMOTO 等: ""Analysis of emotional expression by visualization of the human and synthesized speech signal sets — A consideration of audio-visual advantage"", 《IEEE》 *
张家铭;王晓曼;景文博;: "基于深度卷积网络和谱图的语音情感识别", 长春理工大学学报(自然科学版), no. 01 *

Also Published As

Publication number Publication date
CN112528835B (zh) 2023-07-04

Similar Documents

Publication Publication Date Title
CN113239705B (zh) 语义表示模型的预训练方法、装置、电子设备和存储介质
CN112466288B (zh) 语音识别方法、装置、电子设备及存储介质
JP2022177220A (ja) テキスト認識モデルの訓練方法、テキスト認識方法及び装置
CN113792854A (zh) 一种模型训练及字库建立方法、装置、设备及存储介质
CN113129870A (zh) 语音识别模型的训练方法、装置、设备和存储介质
CN113140017A (zh) 训练对抗网络模型的方法、建立字库的方法、装置和设备
CN112560996A (zh) 用户画像识别模型训练方法、设备、可读存储介质及产品
CN112926306A (zh) 文本纠错方法、装置、设备以及存储介质
CN112562069A (zh) 三维模型的构造方法、装置、设备和存储介质
CN114282670A (zh) 神经网络模型的压缩方法、设备和存储介质
CN112989935A (zh) 一种视频生成方法、装置、设备以及存储介质
CN113177449A (zh) 人脸识别的方法、装置、计算机设备及存储介质
CN114937478B (zh) 用于训练模型的方法、用于生成分子的方法和装置
CN112580666A (zh) 图像特征的提取方法、训练方法、装置、电子设备及介质
CN113705628A (zh) 预训练模型的确定方法、装置、电子设备以及存储介质
CN115454706A (zh) 一种系统异常确定方法、装置、电子设备及存储介质
CN114529796A (zh) 模型训练方法、图像识别方法、装置及电子设备
CN114186681A (zh) 用于生成模型簇的方法、装置及计算机程序产品
CN113468857A (zh) 风格转换模型的训练方法、装置、电子设备以及存储介质
CN113963358B (zh) 文本识别模型训练方法、文本识别方法、装置及电子设备
CN112528835B (zh) 表情预测模型的训练方法、识别方法、装置及电子设备
CN114399513B (zh) 用于训练图像分割模型和图像分割的方法、装置
CN114067805A (zh) 声纹识别模型的训练与声纹识别方法及装置
CN115080739A (zh) 用于训练对话模型的方法以及用于输出应答信息的方法
CN114187318A (zh) 图像分割的方法、装置、电子设备以及存储介质

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
GR01 Patent grant