CN114565814A - 一种特征检测方法、装置及终端设备 - Google Patents

一种特征检测方法、装置及终端设备 Download PDF

Info

Publication number
CN114565814A
CN114565814A CN202210180803.4A CN202210180803A CN114565814A CN 114565814 A CN114565814 A CN 114565814A CN 202210180803 A CN202210180803 A CN 202210180803A CN 114565814 A CN114565814 A CN 114565814A
Authority
CN
China
Prior art keywords
target user
feature
characteristic
information
target
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
CN202210180803.4A
Other languages
English (en)
Inventor
宋威
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 Ping An Smart Healthcare Technology Co ltd
Original Assignee
Ping An International Smart City 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 Ping An International Smart City Technology Co Ltd filed Critical Ping An International Smart City Technology Co Ltd
Priority to CN202210180803.4A priority Critical patent/CN114565814A/zh
Publication of CN114565814A publication Critical patent/CN114565814A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L17/00—Speaker identification or verification
    • G10L17/02—Preprocessing operations, e.g. segment selection; Pattern representation or modelling, e.g. based on linear discriminant analysis [LDA] or principal components; Feature selection or extraction
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L17/00—Speaker identification or verification
    • G10L17/04—Training, enrolment or model building
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L17/00—Speaker identification or verification
    • G10L17/18—Artificial neural networks; Connectionist approaches

Abstract

本申请适用于人工智能技术领域，提供了一种特征检测方法、装置及终端设备，所述特征检测方法包括：获取目标用户的特征信息；特征信息包括目标用户的微表情特征、声纹特征及着装特征；对微表情特征、声纹特征及着装特征进行拼接，得到目标用户的混合特征；将混合特征输入已完成训练的特征检测分类模型进行处理，得到混合特征对应的特征概率矩阵；其中，特征概率矩阵中的元素的值用于表示与元素对应的预设特征的通过概率；针对特征概率矩阵中的任一元素，若该元素的值大于该元素对应的预设概率阈值，则确定目标用户与该元素对应的特征信息符合要求。本申请提供的特征检测方法缩短了检测时间，提高了检测效率。

Description

一种特征检测方法、装置及终端设备
技术领域
本申请属于人工智能技术领域，尤其涉及一种特征检测方法、装置、终端设备及计算机可读存储介质。
背景技术
目前，人们对服务行业的要求越来越高。因此，为了保证服务效率，通常可以对服务行业的人员的各个特征(如微表情特征、声纹特征及着装特征等) 进行检测，以确定服务行业的人员的各个特征是否符合要求。然而，现有的特征检测方法通常需要分别将每个特征与其对应的大量历史图像中的合格特征进行一一对比，来判断服务行业的人员的各个特征是否合格。由此可见，现有的特征检测方法存在耗时长、检测效率低下的问题。
发明内容
本申请实施例提供了一种特征检测方法、装置、终端设备及计算机可读存储介质，可以解决现有技术存在的耗时长、检测效率低下的问题。
第一方面，本申请实施例提供了一种特征检测方法，包括：
获取目标用户的特征信息；所述特征信息包括所述目标用户的微表情特征、声纹特征及着装特征；
对所述微表情特征、所述声纹特征及所述着装特征进行拼接，得到所述目标用户的混合特征；
将所述混合特征输入已完成训练的特征检测分类模型进行处理，得到所述混合特征对应的特征概率矩阵；其中，所述特征概率矩阵中的元素的值用于表示与所述元素对应的预设特征的通过概率；
针对所述特征概率矩阵中的任一元素，若所述元素的值大于所述元素对应的预设概率阈值，则确定所述目标用户与所述元素对应的特征信息符合要求。
可选的，所述获取目标用户的特征信息，包括：
获取所述目标用户的目标人脸图像；
根据目标检测算法对所述目标人脸图像进行微表情特征提取，得到所述目标用户的微表情特征。
可选的，所述获取所述目标用户的目标人脸图像之前，还包括：
获取所述目标用户的多帧人脸图像；
将所述多帧人脸图像输入人脸检测模型，得到所述多帧人脸图像各自对应的人脸得分值；其中，所述人脸得分值用于描述所述人脸图像中的人脸的完整性；
将人脸得分值最大的所述人脸图像确定为所述目标人脸图像。
可选的，所述获取目标用户的特征信息，包括：
获取所述目标用户的第一语音信息；
根据声纹识别算法对所述第一语音信息进行声纹特征提取，得到所述目标用户的声纹特征。
可选的，所述获取目标用户的特征信息，包括：
获取所述目标用户的目标人体图像；
对所述目标人体图像中的至少一个预设关键区域进行特征提取，得到所述目标用户的着装特征。
可选的，所述确定所述目标用户的与所述第一元素对应的预设特征为合格之后，还包括：
输出场景信息；所述场景信息用于描述所述目标用户当前所处的虚拟场景；
接收第二语音信息；
若所述第二语音信息对应的文字内容与所述场景信息对应的标准答案之间的相似度大于预设相似度阈值，则输出第一提示信息；所述第一提示信息用于描述所述目标用户回答正确。
可选的，所述输出第第一提示信息之后，还包括：
根据所述特征概率矩阵中每个元素的值以及第一转换关系，得到所述每个元素对应的元素分数值；
根据所述相似度以及第二转换关系，得到所述相似度对应的场景分数值；
根据所述每个元素对应的特征信息的权重值、所述每个元素对应的元素分数值、所述虚拟场景的权重值以及所述场景分数值，计算所述目标用户的评分；
当检测到所述评分大于或等于预设评分阈值时，输出第二提示信息；所述第二提示信息用于描述所述目标用户的行为合格。
第二方面，本申请实施例提供了一种特征检测装置，包括：
第一获取单元，用于获取目标用户的特征信息；所述特征信息包括所述目标用户的微表情特征、声纹特征及着装特征；
拼接单元，用于对所述微表情特征、所述声纹特征及所述着装特征进行拼接，得到所述目标用户的混合特征；
检测单元，用于将所述混合特征输入已完成训练的特征检测分类模型进行处理，得到所述混合特征对应的特征概率矩阵；其中，所述特征概率矩阵中的元素的值用于表示与所述元素对应的预设特征的通过概率；
确定单元，用于针对所述特征概率矩阵中的任一元素，若所述元素的值大于所述元素对应的预设概率阈值，则确定所述目标用户与所述元素对应的特征信息符合要求。
第三方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，上述处理器执行所述计算机程序时实现如上述第一方面中任一项所述的特征检测方法的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面中任一项所述的特征检测方法的步骤。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备可执行上述第一方面中任一项所述的特征检测方法。
本申请实施例与现有技术相比存在的有益效果是：
本申请实施例提供的一种特征检测方法，通过对获取到的目标用户的微表情特征、声纹特征及着装特征等特征信息进行拼接，可以得到该目标用户的混合特征，并将该混合特征输入已完成训练的特征检测分类模型，也就是说，本申请实施例是将目标用户的混合特征输入至一个已完成训练的特征检测分类模型进行处理，即可得到该混合特征对应的特征概率矩阵，从而可以将特征概率矩阵中的每个元素的值与该元素对应的预设概率阈值进行对比，确定目标用户的与该元素对应的特征信息是否符合预设要求，无需分别将目标用户的多个特征各自输入单独的特征检测模型进行检测，从而缩短了特征检测的时间，提高了检测效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案，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，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的特征检测方法的实现流程图；
图2是本申请另一实施例提供的特征检测方法的实现流程图；
图3是本申请再一实施例提供的特征检测方法的实现流程图；
图4是本申请又一实施例提供的特征检测方法的实现流程图；
图5是本申请又一实施例提供的特征检测方法的实现流程图；
图6是本申请又一实施例提供的特征检测方法的实现流程图；
图7是本申请又一实施例提供的特征检测方法的实现流程图；
图8是本申请一实施例提供的特征检测装置的结构示意图；
图9是本申请一实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
需要说明的是，本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
请参阅图1，图1是本申请一实施例提供的特征检测方法的实现流程图。本申请一实施例提供的特征检测方法的执行主体为终端设备。其中，终端设备可以是智能手机、平板电脑或台式电脑等。
本申请实施例中，终端设备可以预先存储有多个检测模型，包括但不限于：特征检测分类模型和人脸检测模型等。
特征检测分类模型用于检测目标用户的多个特征信息(如微表情特征、声纹特征及着装特征)是否符合预设要求。其中，预设要求可以根据实际需要设置，此处不作限制，示例性的，微表情特征对应的要求可以是：脸部表情处于微笑状态或冷静状态；声纹特征对应的要求可以是：声音洪亮有力，且吐字清晰；着装特征对应的要求可以是：身穿工作服和头带工作帽等。
特征检测分类模型可以是基于第一预设样本集对预先构建的深度神经网络(Deep Neural Networks，DNN)模型进行训练所得的。其中，第一预设样本集中的每条样本数据均包括样本混合特征和样本混合特征对应的特征概率矩阵。样本混合特征用于描述样本微表情特征、样本声纹特征及样本着装特征进行拼接之后的特征。特征概率矩阵中的每个元素的值用于表示样本混合特征中的目标用户存在的该元素对应的预设特征的合格概率。其中，预设特征包括但不限于：微表情特征、声纹特征及着装特征。
在对预先构建的DNN模型进行训练时，可以将每条样本中的样本混合特征作为DNN模型的输入，将每条样本中的样本混合特征对应的特征概率矩阵作为DNN模型的输出，通过训练，DNN模型可以学习到所有可能的混合特征与特征概率矩阵之间的对应关系，将训练好的DNN模型作为特征检测分类模型。
示例性的，假设特征概率矩阵为[A,B,C]，元素A、元素B及元素C分别对应预设特征1、预设特征2及预设特征3，那么，元素A的取值用于表示目标用户存在的预设特征1的通过概率，元素B的取值用于表示目标用户存在的预设特征2的通过概率，元素C的取值用于表示目标用户存在的预设特征3的通过概率。
人脸检测模型用于检测人脸图像中的人脸的完整性。人脸检测模型可以基于第二预设样本集对预先构建的深度学习模型进行训练所得。其中，第二预设样本集中的每条样本数据均包括样本人脸图像和样本人脸图像对应的人脸得分值。人脸得分值用于表示样本人脸图像中的人脸五官的完整度和清晰度，得分值越高表示人脸五官越完整，五官的清晰度越高。在对预先构建的深度学习模型进行训练时，将每条样本中的样本人脸图像作为深度学习模型的输入，将每条样本中的样本人脸图像对应的人脸得分值作为深度学习模型的输出，通过训练，该深度学习模型可以学习到所有可能的人脸图像与人脸得分值之间的对应关系，将训练好的深度学习模型作为人脸检测模型。
如图1所示，本申请一实施例提供的特征检测方法可以包括S101～S104，详述如下：
在S101中，获取目标用户的特征信息；所述特征信息包括所述目标用户的微表情特征、声纹特征及着装特征。
本申请实施例中，终端设备可以实时获取目标用户的目标人体图像、目标人脸图像及第一语音信息，并根据该目标人体图像获取目标用户的着装特征，根据该目标人脸图像获取目标用户的微表情特征，根据第一语音信息获取目标用户的声纹特征。
在本申请实施例的一种实现方式中，终端设备可以直接通过摄像装置获取目标用户的多帧视频图像。
在本申请实施例的另一实现方式中，摄像装置可以对目标用户进行录像，得到包含目标用户的视频。因此，终端设备可以获取到摄像装置拍摄的上述视频，并对该视频进行分帧处理，得到多帧视频图像。
终端设备获取到摄像装置拍摄到的多帧视频图像后，从该多帧视频图像中获取目标人体图像和目标人脸图像。
在本申请的一个实施例中，终端设备具体可以通过如图2所示的步骤 S201～S202得到目标用户的微表情特征，详述如下：
在S201中，获取所述目标用户的目标人脸图像。
本实施例中，由于目标用户可能处于移动状态，容易导致获取到的人脸图像不完整，使得终端设备无法提取到目标用户的微表情特征，因此，在本申请的一个实施例中，终端设备具体可以通过如图3所示的步骤S301～S303得到目标人脸图像，详述如下：
在S301中，获取所述目标用户的多帧人脸图像。
在S302中，将所述多帧人脸图像输入人脸检测模型，得到所述多帧人脸图像各自对应的人脸得分值；其中，所述人脸得分值用于描述所述人脸图像中的人脸的完整性。
在S303中，将人脸得分值最大的所述人脸图像确定为所述目标人脸图像。
本实施例中，终端设备可以通过摄像装置获取到目标用户的多帧人脸图像，并将多帧人脸图像同时输入人脸检测模型，从而得到多帧人脸图像各自对应的人脸得分值。
在本申请的一个实施例中，终端设备可以直接将人脸得分值最大的人脸图像确定为目标人脸图像。
在本申请的另一个实施例中，终端设备还可以将人脸得分值大于预设人脸得分值阈值的人脸图像确定为目标人脸图像。其中，人脸得分值大于预设人脸得分值阈值的人体图像可以是一帧，也可以是多帧。预设人脸得分值阈值可以根据实际需要设置，此处不作限制。
在S202中，根据目标检测算法对所述目标人脸图像进行微表情特征提取，得到所述目标用户的微表情特征。
本实施例中，目标检测算法可以是yolo v3算法，也可以是yolo v3-Tiny算法。
在本申请的另一个实施例中，终端设备具体可以通过如图4所示的步骤 S401～S402得到目标用户的声纹特征，详述如下：
在S401中，获取所述目标用户的第一语音信息。
在S402中，根据声纹识别算法对所述第一语音信息进行声纹特征提取，得到所述目标用户的声纹特征。
本实施例中，终端设备可以通过语音接收装置获取目标人员的第一语音信息。其中，语音接收装置可以是扬声器或麦克风，此处不作限制。
终端设备在获取到第一语音信息后，可以通过声纹识别算法对上述第一语音信息进行特征提取，得到目标人员的声纹特征。其中，声纹识别算法可以是 i-Vector算法，也可以是梅尔倒频谱系数(Mel Frequency Cepstral Coefficents， MFCC)算法。
在本申请的再一个实施例中，终端设备具体可以通过如图5所示的步骤 S501～S502得到目标用户的着装特征，详述如下：
在S501中，获取所述目标用户的目标人体图像。
本实施例中，由于摄像装置的拍摄范围存在人体或非人体，因此，摄像装置拍摄到的多帧视频图像中可能包括人体或非人体。其中，非人体可以是除人以外的生命体或无生命的物体。
因此，在本申请的一个实施例中，终端设备可以将摄像装置拍摄到的多帧视频图像输入目标检测模型进行目标识别，得到多帧视频图像各自对应的目标识别结果。其中，目标识别结果用于描述视频图像中包含的目标对象的类型。目标对象的类型包括但不限于人体或非人体。
需要说明的是，目标检测模型可以是现有的基于卷积神经网络的目标检测模型。
终端设备在检测到某帧视频图像对应的目标识别结果中包括人体时，说明该视频图像中包括人体，因此，终端设备可以将目标识别结果包括人体的视频图像确定为目标人体图像。
在S502中，对所述目标人体图像中的至少一个预设关键区域进行特征提取，得到所述目标用户的着装特征。
本实施例中，预设关键区域可以根据实际需要设置，此处不作限制，示例性的，预设关键区域可以包括人体头部、人体脚部，人体上半身以及人体下半身。
在S102中，对所述微表情特征、所述声纹特征及所述着装特征进行拼接，得到所述目标用户的混合特征。
本申请实施例中，多个特征信息，如微表情特征、声纹特征及着装特征的拼接方式可以根据实际需求进行确定，此处不作限制。示例性的，终端设备可以按照微表情特征第一顺位、声纹特征第二顺位及着装特征第三顺位的组合方式，将上述特征进行拼接，例如，假设目标人员的微表情特征为a，声纹特征为b，着装特征为c，则按照上述拼接方式得到的混合特征即为[a,b,c]。当然，终端设备还可以按照微表情特征第一顺位、着装特征第二顺位及声纹特征第三顺位的拼接方式，将上述特征进行拼接，此种拼接方式得到的混合特征即为 [a,c,b]。
在S103中，将所述混合特征输入已完成训练的特征检测分类模型进行处理，得到所述混合特征对应的特征概率矩阵；其中，所述特征概率矩阵中的元素的值用于表示与所述元素对应的预设特征的通过概率。
本申请实施例中，终端设备在得到组合特征对应的特征概率矩阵后，可以将特征概率矩阵中每个元素的值与该元素对应的预设概率阈值进行比较。
在本申请的一个实施例中，终端设备若检测到特征概率矩阵中的至少一个元素的值大于该元素对应的预设概率阈值，则执行S104。
在本申请的另一个实施例中，终端设备若检测到特征概率矩阵中的每个元素的值均小于或等于该元素对应的预设概率阈值，则确定目标人员的特征信息均不符合要求，并输出第三提示信息。其中，第三提示信息用于提示目标人员的特征信息均不符合要求。
需要说明的是，每个元素对应的预设概率阈值可以相同，也可以不同，且各个元素对应的预设概率阈值可以根据实际需要设置，此处不作限制。
在S104中，针对所述特征概率矩阵中的任一元素，若所述元素的值大于所述元素对应的预设概率阈值，则确定所述目标用户与所述元素对应的特征信息符合要求。
示例性的，假设特征概率矩阵[A,B,C]的取值为[0.9,0.7,0.95]，每个元素对应的预设概率阈值均为0.9，由于元素C的概率值大于0.9，因此，终端设备可以确定目标人员与元素C对应的特征信息3符合要求。
在本申请的一个实施例中，终端设备确定目标人员某个特征信息(如微表情特征、声纹特征或着装特征等)符合要求时，可以输出第四提示信息。其中，第四提示信息用于提示目标人员的该特征信息符合要求。
以上可以看出，本申请实施例提供的一种特征检测方法，通过对获取到的目标用户的微表情特征、声纹特征及着装特征等特征信息进行拼接，可以得到该目标用户的混合特征，并将该混合特征输入已完成训练的特征检测分类模型，也就是说，本申请实施例是将目标用户的混合特征输入至一个已完成训练的特征检测分类模型进行处理，即可得到该混合特征对应的特征概率矩阵，从而可以将特征概率矩阵中的每个元素的值与该元素对应的预设概率阈值进行对比，确定目标用户的与该元素对应的特征信息是否符合要求，无需分别将目标用户的多个特征各自输入单独的特征检测模型进行检测，从而缩短了特征检测的时间，提高了检测效率。
请参阅图6，图6是本申请又一实施例提供的一种行为检测方法的实现流程图。相对于图1对应的实施例，在S104之后，本实施例中的一种行为检测方法还可以包括S601～S603，详述如下：
在S601中，输出场景信息；所述场景信息用于描述所述目标用户当前所处的虚拟场景。
本实施例中，为了保证目标用户在后续面对一些突发事件可以执行对应的处理方式，终端设备可以输出场景信息。其中，场景信息用于描述目标用户当前所处的虚拟场景，该虚拟场景即为目标用户会遇到的突发事件。
在本实施例的一种实现方式中，终端设备可以通过语音输出装置输出场景信息。其中，语音输出装置可以是扬声器或麦克风。
在本实施例的另一种实现方式中，终端设备还可以通过显示装置显示场景信息。其中，显示装置可以是LED显示屏。
在S602中，接收第二语音信息。
在S603中，若所述第二语音信息对应的文字内容与所述场景信息对应的标准答案之间的相似度大于预设相似度阈值，则输出第一提示信息；所述第一提示信息用于描述所述目标用户回答正确。
本实施例中，终端设备在输出场景信息后，目标用户可以根据该场景信息输出第二语音信息，用于对该场景信息做出应答。
此时，终端设备可以通过语音接收装置接收到上述第二语音信息。
终端设备在接收到上述第二语音信息后，可以对该第二语音信息进行语音转换，得到该第二语音信息对应的文字内容。具体地，终端设备可以根据语音识别技术得到第二语音信息对应地文字内容。
需要说明的是，终端设备预先存储了场景信息与标准答案之间的对应关系，因此，终端设备在得到第二语音信息对应的文字内容后，可以计算该第二语音信息对应的文字内容与场景信息对应的标准答案之间的相似度。
在本申请的一个实施例中，终端设备在检测到该文字内容与场景信息对应的标准答案之间的相似度小于预设相似度阈值时，可以确定目标用户回答错误，因此，终端设备可以输出第五提示信息，用于提示目标用户回答错误，需要继续回答。其中，预设相似度阈值可以根据实际需要设置，此处不作限制。
在本申请的另一个实施例中，终端设备在检测到该文字内容与场景信息对应的标准答案之间的相似度大于或等于预设相似度阈值时，可以确定目标用户回答正确，因此，终端设备可以输出第一提示信息，用于提示目标用户回答正确。
在本申请的再一个实施例中，为了实现对目标用户的全面评价，终端设备具体可以根据如图7所示的步骤S701～S704对目标用户进行评价，详述如下：
在S701中，根据所述特征概率矩阵中每个元素的值以及第一转换关系，得到所述每个元素对应的元素分数值。
本实施例中，由于特征概率矩阵中一个元素对应一个预设特征，因此，终端设备可以根据每个元素对应的预设特征的概率值，以及第一转换关系，计算得到目标用户的多个特征(如微表情特征、声纹特征及着装特征)各自对应的分数值，即特征概率矩阵中每个元素对应的元素分数值。
具体地，终端设备可以根据以下公式得到元素分数值：
mi＝A1*pi；
其中，mi表示第i个特征对应的元素分数值，A1为第一转换值，pi表示第 i个元素对应的预设特征的概率值。其中，第一转换值A1＝100。
在S702中，根据所述相似度以及第二转换关系，得到所述相似度对应的场景分数值。
本实施例中，终端设备可以根据以下公式得到场景分数值：
s＝A2*Q；
其中，s表示场景分数值，A2为第二转换值，Q表示第二语音信息对应的文字内容与场景信息对应的标准答案之间的相似度。其中，第二转换值A2＝100。
在S703中，根据所述每个元素对应的特征信息的权重值、所述每个元素对应的元素分数值、所述虚拟场景的权重值以及所述场景分数值，计算所述目标用户的评分。
本实施例中，由于目标用户的各个特征以及虚拟场景对目标用户的综合评分占重比不同，因此，终端设备具体可以根据以下公式得到目标用户的评分：
Figure RE-RE-GDA0003613278260000141
其中，M表示目标用户的评分，ωi表示第i个元素对应的特征信息的权重值，mi表示第i个元素对应的元素分数值，s表示场景分数值，
Figure RE-RE-GDA0003613278260000142
表示虚拟场景的权重值。
终端设备在得到目标用户的评分后，可以将该评分与预设评分阈值进行比较。其中，预设评分阈值可以根据实际需要设置，此处不作限制，示例性的，当目标用户的评分为百分制时，预设评分阈值可以设置为80分。
在本申请的一个实施例中，终端设备在检测到目标用户的评分小于预设评分阈值时，说明目标用户的特征信息不符合预设要求和/或对于虚拟场景的回答不正确，因此，终端设备可以输出第六提示信息，用于提示目标用户行为不符合预设要求，同时输出目标用户各个特征对应的分数(即各个元素分数值)和场景分数值，便于目标用户根据上述分数值进行相应的改进。
在本申请的另一个实施例中，终端设备在检测到目标用户的评分大于或等于预设评分阈值时，可以执行步骤S704。
在S704中，当检测到所述评分大于或等于预设评分阈值时，输出第二提示信息；所述第二提示信息用于描述所述目标用户的行为合格。
本实施例中，终端设备在检测到目标用户的评分大于或等于预设评分阈值时，说明目标用户的特征信息符合要求以及对于虚拟场景的回答正确。因此，终端设备可以输出第二提示信息，用于提示目标用户的行为合格。
以上可以看出，本申请实施例提供的一种特征检测方法，通过输出场景信息；场景信息用于描述目标用户当前所处的虚拟场景；接收第二语音信息；若第二语音信息对应的文字内容与场景信息对应的标准答案之间的相似度大于预设相似度阈值，则输出第一提示信息；第一提示信息用于描述所述目标用户回答正确。本申请实施例提供的特征检测方法可以实时输出场景信息，并通过目标用户的回复确定目标用户的回答是否正确，从而可以实时对目标用户进行培训和引导，提高了培训质量。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的一种特征检测方法，图8示出了本申请一实施例提供的特征检测装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。参照图8，该特征检测装置800包括：第一获取单元81、拼接单元 82、检测单元83及第一确定单元88。其中：
第一获取单元81用于获取目标用户的特征信息；所述特征信息包括所述目标用户的微表情特征、声纹特征及着装特征。
拼接单元82用于对所述微表情特征、所述声纹特征及所述着装特征进行拼接，得到所述目标用户的混合特征。
检测单元83用于将所述混合特征输入已完成训练的特征检测分类模型进行处理，得到所述混合特征对应的特征概率矩阵；其中，所述特征概率矩阵中的元素的值用于表示与所述元素对应的预设特征的通过概率。
第一确定单元88用于针对所述特征概率矩阵中的任一元素，若所述元素的值大于所述元素对应的预设概率阈值，则确定所述目标用户与所述元素对应的特征信息符合要求。
在本申请的一个实施例中，第一获取单元81具体包括：第二获取单元和第一提取单元。其中：
第二获取单元用于获取所述目标用户的目标人脸图像。
第一提取单元用于根据目标检测算法对所述目标人脸图像进行微表情特征提取，得到所述目标用户的微表情特征。
在本申请的一个实施例中，第一获取单元81还包括：第三获取单元、输入单元及第二确定单元。其中：
第三获取单元用于获取所述目标用户的多帧人脸图像。
输入单元用于将所述多帧人脸图像输入人脸检测模型，得到所述多帧人脸图像各自对应的人脸得分值；其中，所述人脸得分值用于描述所述人脸图像中的人脸的完整性。
第二确定单元用于将人脸得分值最大的所述人脸图像确定为所述目标人脸图像。
在本申请的一个实施例中，第一获取单元81具体包括：第四获取单元和第二提取单元。其中：
第四获取单元用于获取所述目标用户的第一语音信息。
第二提取单元用于根据声纹识别算法对所述第一语音信息进行声纹特征提取，得到所述目标用户的声纹特征。
在本申请的一个实施例中，第一获取单元81具体包括：第五获取单元和第三提取单元。其中：
第五获取单元用于获取所述目标用户的目标人体图像。
第三提取单元用于对所述目标人体图像中的至少一个预设关键区域进行特征提取，得到所述目标用户的着装特征。
在本申请的一个实施例中，特征检测装置800还包括：第一输出单元、接收单元及第二输出单元。其中：
第一输出单元用于输出场景信息；所述场景信息用于描述所述目标用户当前所处的虚拟场景。
接收单元用于接收第二语音信息。
第二输出单元用于若所述第二语音信息对应的文字内容与所述场景信息对应的标准答案之间的相似度大于预设相似度阈值，则输出第一提示信息；所述第一提示信息用于描述所述目标用户回答正确。
在本申请的一个实施例中，特征检测装置800还包括：第一分数确定单元、第二分数确定单元、计算单元及第三输出单元。其中：
第一分数确定单元用于根据所述特征概率矩阵中每个元素的值以及第一转换关系，得到所述每个元素对应的元素分数值。
第二分数确定单元用于根据所述相似度以及第二转换关系，得到所述相似度对应的场景分数值。
计算单元用于根据所述每个元素对应的特征信息的权重值、所述每个元素对应的元素分数值、所述虚拟场景的权重值以及所述场景分数值，计算所述目标用户的评分。
第三输出单元用于当检测到所述评分大于或等于预设评分阈值时，输出第二提示信息；所述第二提示信息用于描述所述目标用户的行为合格。
以上可以看出，本申请实施例提供的一种特征检测装置，通过对获取到的目标用户的微表情特征、声纹特征及着装特征等特征信息进行拼接，可以得到该目标用户的混合特征，并将该混合特征输入已完成训练的特征检测分类模型，也就是说，本申请实施例是将目标用户的混合特征输入至一个已完成训练的特征检测分类模型进行处理，即可得到该混合特征对应的特征概率矩阵，从而可以将特征概率矩阵中的每个元素的值与该元素对应的预设概率阈值进行对比，确定目标用户的与该元素对应的特征信息是否符合预设要求，无需分别将目标用户的多个特征各自输入单独的特征检测模型进行检测，从而缩短了特征检测的时间，提高了检测效率。
图9为本申请一实施例提供的终端设备的结构示意图。如图9所示，该实施例的终端设备9包括：至少一个处理器90(图9中仅示出一个)处理器、存储器91以及存储在所述存储器91中并可在所述至少一个处理器90上运行的计算机程序92，所述处理器90执行所述计算机程序92时实现上述任意一种特征检测方法实施例中的步骤。
本领域技术人员可以理解，图9仅仅是终端设备9的举例，并不构成对终端设备9的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
所称处理器90可以是中央处理单元(Central Processing Unit，CPU)，该处理器90还可以是其他通用处理器、数字信号处理器(Digital Signal Processor， DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(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、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器91在一些实施例中可以是所述终端设备9的内部存储单元，例如终端设备9的硬盘或内存。所述存储器91在另一些实施例中也可以是所述终端设备9的外部存储设备，例如所述终端设备9上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器91还可以既包括所述终端设备9的内部存储单元也包括外部存储设备。所述存储器91用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器91还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现上述任意一种特征检测方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行时可实现上述任意一种特征检测方法实施例中的步骤。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现上述任意一种特征检测方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行时实现可实现上述任意一种特征检测方法实施例中的步骤。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的特征检测装置和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述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。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种特征检测方法，其特征在于，包括：
获取目标用户的特征信息；所述特征信息包括所述目标用户的微表情特征、声纹特征及着装特征；
对所述微表情特征、所述声纹特征及所述着装特征进行拼接，得到所述目标用户的混合特征；
将所述混合特征输入已完成训练的特征检测分类模型进行处理，得到所述混合特征对应的特征概率矩阵；其中，所述特征概率矩阵中的元素的值用于表示与所述元素对应的预设特征的通过概率；
针对所述特征概率矩阵中的任一元素，若所述元素的值大于所述元素对应的预设概率阈值，则确定所述目标用户与所述元素对应的特征信息符合要求。
2.如权利要求1所述的特征检测方法，其特征在于，所述获取目标用户的特征信息，包括：
获取所述目标用户的目标人脸图像；
根据目标检测算法对所述目标人脸图像进行微表情特征提取，得到所述目标用户的微表情特征。
3.如权利要求2所述的特征检测方法，其特征在于，所述获取所述目标用户的目标人脸图像之前，还包括：
获取所述目标用户的多帧人脸图像；
将所述多帧人脸图像输入人脸检测模型，得到所述多帧人脸图像各自对应的人脸得分值；其中，所述人脸得分值用于描述所述人脸图像中的人脸的完整性；
将人脸得分值最大的所述人脸图像确定为所述目标人脸图像。
4.如权利要求1所述的特征检测方法，其特征在于，所述获取目标用户的特征信息，包括：
获取所述目标用户的第一语音信息；
根据声纹识别算法对所述第一语音信息进行声纹特征提取，得到所述目标用户的声纹特征。
5.如权利要求1所述的特征检测方法，其特征在于，所述获取目标用户的特征信息，包括：
获取所述目标用户的目标人体图像；
对所述目标人体图像中的至少一个预设关键区域进行特征提取，得到所述目标用户的着装特征。
6.如权利要求1所述的特征检测方法，其特征在于，在所述确定所述目标用户与所述元素对应的特征信息符合要求之后，还包括：
输出场景信息；所述场景信息用于描述所述目标用户当前所处的虚拟场景；
接收第二语音信息；
若所述第二语音信息对应的文字内容与所述场景信息对应的标准答案之间的相似度大于预设相似度阈值，则输出第一提示信息；所述第一提示信息用于描述所述目标用户回答正确。
7.如权利要求6所述的特征检测方法，其特征在于，所述输出第一提示信息之后，还包括：
根据所述特征概率矩阵中每个元素的值以及第一转换关系，得到所述每个元素对应的元素分数值；
根据所述相似度以及第二转换关系，得到所述相似度对应的场景分数值；
根据所述每个元素对应的特征信息的权重值、所述每个元素对应的元素分数值、所述虚拟场景的权重值以及所述场景分数值，计算所述目标用户的评分；
当检测到所述评分大于或等于预设评分阈值时，输出第二提示信息；所述第二提示信息用于描述所述目标用户的行为合格。
8.一种特征检测装置，其特征在于，包括：
第一获取单元，用于获取目标用户的特征信息；所述特征信息包括所述目标用户的微表情特征、声纹特征及着装特征；
拼接单元，用于对所述微表情特征、所述声纹特征及所述着装特征进行拼接，得到所述目标用户的混合特征；
检测单元，用于将所述混合特征输入已完成训练的特征检测分类模型进行处理，得到所述混合特征对应的特征概率矩阵；其中，所述特征概率矩阵中的元素的值用于表示与所述元素对应的预设特征的通过概率；
确定单元，用于针对所述特征概率矩阵中的任一元素，若所述元素的值大于所述元素对应的预设概率阈值，则确定所述目标用户与所述元素对应的特征信息符合要求。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的特征检测方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的特征检测方法的步骤。
CN202210180803.4A 2022-02-25 2022-02-25 一种特征检测方法、装置及终端设备 Pending CN114565814A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210180803.4A CN114565814A (zh) 2022-02-25 2022-02-25 一种特征检测方法、装置及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210180803.4A CN114565814A (zh) 2022-02-25 2022-02-25 一种特征检测方法、装置及终端设备

Publications (1)

Publication Number Publication Date
CN114565814A true CN114565814A (zh) 2022-05-31

Family

ID=81715600

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210180803.4A Pending CN114565814A (zh) 2022-02-25 2022-02-25 一种特征检测方法、装置及终端设备

Country Status (1)

Country Link
CN (1) CN114565814A (zh)

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011076433A (ja) * 2009-09-30 2011-04-14 Hitachi Ltd 作業管理システム及び作業管理方法
JP2011238029A (ja) * 2010-05-11 2011-11-24 Seiko Epson Corp 接客データ記録装置、接客データ記録方法およびプログラム
WO2016189775A1 (ja) * 2015-05-25 2016-12-01 パナソニックＩｐマネジメント株式会社 接客評価装置およびこれを備えた接客評価システムならびに接客評価方法
WO2018107914A1 (zh) * 2016-12-16 2018-06-21 中兴通讯股份有限公司 一种视频分析平台、匹配方法、精准投放广告方法及系统
CN108446674A (zh) * 2018-04-28 2018-08-24 平安科技（深圳）有限公司 电子装置、基于人脸图像与声纹信息的身份识别方法及存储介质
CN109766770A (zh) * 2018-12-18 2019-05-17 深圳壹账通智能科技有限公司 服务质量评价方法、装置、计算机设备和存储介质
KR20190066689A (ko) * 2017-12-06 2019-06-14 고려대학교 산학협력단 진료 보조 시스템 및 방법
WO2020024398A1 (zh) * 2018-08-02 2020-02-06 平安科技（深圳）有限公司 生物特征辅助支付方法、装置、计算机设备及存储介质
CN111523389A (zh) * 2020-03-25 2020-08-11 中国平安人寿保险股份有限公司 情绪智能识别方法、装置、电子设备及存储介质
KR102173821B1 (ko) * 2020-02-26 2020-11-03 주식회사 진언스피치커뮤니케이션그룹 스피치 훈련 시스템
CN112001932A (zh) * 2020-09-01 2020-11-27 腾讯科技（深圳）有限公司 人脸识别方法、装置、计算机设备和存储介质
CN112084882A (zh) * 2020-08-18 2020-12-15 深圳英飞拓科技股份有限公司 一种行为检测方法、装置及计算机可读存储介质
CN112329663A (zh) * 2020-11-10 2021-02-05 西南大学 一种基于人脸图像序列的微表情时刻检测方法及装置
WO2021082420A1 (zh) * 2019-11-01 2021-05-06 平安科技（深圳）有限公司 声纹认证方法、装置、介质及电子设备
US20210150534A1 (en) * 2019-11-19 2021-05-20 Paypal, Inc. Novel ensemble method for face recognition deep learning models
WO2021134485A1 (zh) * 2019-12-31 2021-07-08 深圳市欢太科技有限公司 视频评分方法、装置、存储介质及电子设备

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011076433A (ja) * 2009-09-30 2011-04-14 Hitachi Ltd 作業管理システム及び作業管理方法
JP2011238029A (ja) * 2010-05-11 2011-11-24 Seiko Epson Corp 接客データ記録装置、接客データ記録方法およびプログラム
WO2016189775A1 (ja) * 2015-05-25 2016-12-01 パナソニックＩｐマネジメント株式会社 接客評価装置およびこれを備えた接客評価システムならびに接客評価方法
WO2018107914A1 (zh) * 2016-12-16 2018-06-21 中兴通讯股份有限公司 一种视频分析平台、匹配方法、精准投放广告方法及系统
KR20190066689A (ko) * 2017-12-06 2019-06-14 고려대학교 산학협력단 진료 보조 시스템 및 방법
WO2019205369A1 (zh) * 2018-04-28 2019-10-31 平安科技（深圳）有限公司 电子装置、基于人脸图像与声纹信息的身份识别方法及存储介质
CN108446674A (zh) * 2018-04-28 2018-08-24 平安科技（深圳）有限公司 电子装置、基于人脸图像与声纹信息的身份识别方法及存储介质
WO2020024398A1 (zh) * 2018-08-02 2020-02-06 平安科技（深圳）有限公司 生物特征辅助支付方法、装置、计算机设备及存储介质
CN109766770A (zh) * 2018-12-18 2019-05-17 深圳壹账通智能科技有限公司 服务质量评价方法、装置、计算机设备和存储介质
WO2021082420A1 (zh) * 2019-11-01 2021-05-06 平安科技（深圳）有限公司 声纹认证方法、装置、介质及电子设备
US20210150534A1 (en) * 2019-11-19 2021-05-20 Paypal, Inc. Novel ensemble method for face recognition deep learning models
WO2021134485A1 (zh) * 2019-12-31 2021-07-08 深圳市欢太科技有限公司 视频评分方法、装置、存储介质及电子设备
KR102173821B1 (ko) * 2020-02-26 2020-11-03 주식회사 진언스피치커뮤니케이션그룹 스피치 훈련 시스템
CN111523389A (zh) * 2020-03-25 2020-08-11 中国平安人寿保险股份有限公司 情绪智能识别方法、装置、电子设备及存储介质
CN112084882A (zh) * 2020-08-18 2020-12-15 深圳英飞拓科技股份有限公司 一种行为检测方法、装置及计算机可读存储介质
CN112001932A (zh) * 2020-09-01 2020-11-27 腾讯科技（深圳）有限公司 人脸识别方法、装置、计算机设备和存储介质
CN112329663A (zh) * 2020-11-10 2021-02-05 西南大学 一种基于人脸图像序列的微表情时刻检测方法及装置

Similar Documents

Publication Publication Date Title
US10832069B2 (en) Living body detection method, electronic device and computer readable medium
US10275672B2 (en) Method and apparatus for authenticating liveness face, and computer program product thereof
US11138903B2 (en) Method, apparatus, device and system for sign language translation
WO2018028546A1 (zh) 一种关键点的定位方法及终端、计算机存储介质
WO2020103700A1 (zh) 一种基于微表情的图像识别方法、装置以及相关设备
WO2020024484A1 (zh) 用于输出数据的方法和装置
CN109871450B (zh) 基于绘本阅读的多模态交互方法及系统
CN112233698B (zh) 人物情绪识别方法、装置、终端设备及存储介质
EP3617946A1 (en) Context acquisition method and device based on voice interaction
CN112148922A (zh) 会议记录方法、装置、数据处理设备及可读存储介质
Tolba et al. Recent developments in sign language recognition systems
CN112232276B (zh) 一种基于语音识别和图像识别的情绪检测方法和装置
WO2023124040A1 (zh) 一种人脸识别方法及装置
CN113870395A (zh) 动画视频生成方法、装置、设备及存储介质
CN111666820B (zh) 一种讲话状态识别方法、装置、存储介质及终端
CN112149615A (zh) 人脸活体检测方法、装置、介质及电子设备
CN111881740B (zh) 人脸识别方法、装置、电子设备及介质
CN110767005A (zh) 基于儿童专用智能设备的数据处理方法及系统
CN114639152A (zh) 基于人脸识别的多模态语音交互方法、装置、设备及介质
CN112488054A (zh) 一种人脸识别方法、装置、终端设备及存储介质
CN114565814A (zh) 一种特征检测方法、装置及终端设备
CN115171673A (zh) 一种基于角色画像的交流辅助方法、装置及存储介质
CN115171042A (zh) 一种学生课堂行为的识别方法、装置、终端设备及介质
CN114639132A (zh) 人脸识别场景下的特征提取模型处理方法、装置、设备
CN112560978A (zh) 图像处理方法及装置、电子设备及存储介质

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
TA01 Transfer of patent application right

Effective date of registration: 20220922

Address after: Room 2601 (Unit 07), Qianhai Free Trade Building, No. 3048, Xinghai Avenue, Nanshan Street, Qianhai Shenzhen-Hong Kong Cooperation Zone, Shenzhen, Guangdong 518000

Applicant after: Shenzhen Ping An Smart Healthcare Technology Co.,Ltd.

Address before: 1-34 / F, Qianhai free trade building, 3048 Xinghai Avenue, Mawan, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong 518000

Applicant before: Ping An International Smart City Technology Co.,Ltd.

TA01 Transfer of patent application right