CN115798022A - 一种基于特征提取的人工智能识别方法 - Google Patents

Abstract

本发明属于面部表情识别技术领域，具体涉及一种基于特征提取的人工智能识别方法，本发明能够对微表情数据库进行分区处理，得到不同可信度得分的评估集，基于这些评估集能够减少微表情数据识别过程的计算量，再以此为基础，便可对待评估微表情数据进行评估，评估过程中能够定位相似度接近的微表情数据，使得输出的识别结果更具准确性，而且基于识别结果能够进一步的复核与校正，保证最终得到的识别结果能够作为待评估微表情数据的评判依据。

Description

一种基于特征提取的人工智能识别方法

技术领域

本发明属于面部表情识别技术领域，具体涉及一种基于特征提取的人工智能识别方法。

背景技术

微表情是短而不自觉的面部表情，是无意识出现在面部的，在人们试图掩盖某些情感时产生，它的开始和结束不受主观控制，能够在不知不觉中反映出人内心的心理状态，微表情的持续时间极短，最长不超过0.2秒，以至于很难被发现，尽管关于面部表情识别的研究开始于1970年，但是关于面部微表情的研究一直很少，因为人们倾向于识别普通的面部表情，普通的面部表情通常有着幅度比较大的变化，由于微表情特殊的心理产生机制，它的出现往往意味着人们在掩饰自己的真实情绪。因此，研究微表情在深入理解人类的情绪表达特点之外，还具有很大的现实意义。

现有的基于特征提取的微表情智能识别方法多是将采集的微表情数据输入至数据库中进行逐一检索，但是每个人的微表情动作起伏度不同，进而便会存在相应的偏差，从而就会导致检索失败率相应的增加，或者检索出大量近似的微表情数据，无法准确的输出识别结果，基于此，本方案提出了一种能够通过微表情相似度判定微表情识别结果的识别方法。

发明内容

本发明的目的是提供一种基于特征提取的人工智能识别方法，能够对微表情数据进行分区处理，减少匹配过程的计算量，同时匹配过程中还能够根据微表情数据的相似度快速匹配出对应的识别结果。

本发明采取的技术方案具体如下：

一种基于特征提取的人工智能识别方法，包括：

获取微表情数据库以及对应的识别结果，其中，所述识别结果对应1～n个微表情数据，n的取值为大于1的自然数；

获取所有所述识别结果的校验准确度，并将所述校验准确度按照由高至低的顺序进行排列；

依据所述校验准确度进行分区处理，得到多个评估集，并根据其校验准确度的取值区间确定所有所述评估集的可信度得分；

获取待评估微表情数据，并逐一与多个评估集进行比对，确定与所述待评估微表情数据对应的评估集，并标定为校验评估集，且同步确定所述校验评估集的可信度得分为待评估微表情数据的可信度得分；

获取可信度评定阈值，且与所述待评估微表情数据的可信度得分相比较，得到可信度偏离量，并判断所述可信度偏离量是否需要复核；

若所述可信度偏离量需要复核，则将所述可信度偏离量输入至复核模型中，对所述待评估微表情数据对应的识别结果进行复核，得到校正结果，且在得到所述校正结果后，将其输入至复核模型中进行二次复核；

若所述可信度偏离量不需要复核，则直接确定所述待评估微表情数据对应的识别结果为评判依据。

在一种优选方案中，所述获取微表情数据库的步骤，包括：

确定目标对象、目标问题以及目标答案，其中，所述目标答案为目标问题的标准答案，且所述目标问题以及目标答案均设置有多个；

根据目标问题，分别获取所有所述目标对象的自定义答案，且采集此状态下所有所述目标对象面部的微表情数据，并输入至微表情数据库中，其中，所述自定义答案为非目标答案；

根据目标问题，分别获取所有所述目标对象的目标答案，且采集此状态下所有所述目标对象面部的微表情数据，并输入至微表情数据库。

在一种优选方案中，所述获取所有所述识别结果的校验准确度的步骤，包括：

将所述微表情数据库中的微表情数据依照相似度进行分类，得到多个试验集；

逐一获取所述试验集中的微表情数据并输入至微表情识别模型中，得到识别结果，其中，所述识别结果包括正确结果和错误结果；

汇总所有正确结果并输入至校验模型中，得到识别结果的校验准确度；

汇总所有所述错误结果并进行修正，且与其对应的微表情数据一同汇总至备选数据库中。

在一种优选方案中，所述将所述微表情数据库中的微表情数据依照相似度进行分类的步骤包括：

从所述微表情数据库中提取一个微表情数据，并将其标定为基准数据；

将所述微表情数据库中所有的微表情数据和基准数据输入至相似度比较模型中，得到多个相似度得分；

获取标准相似度得分，且与多个所述相似度得分逐一进行比较，并筛选出大于或等于标准相似度得分的相似度得分，且将其对应的微表情数据与基准数据确定在同一个试验集中。

在一种优选方案中，将所述微表情数据库中所有的微表情数据和基准数据输入至相似度比较模型中，得到多个相似度得分的步骤，包括：

获取基准数据以及与其相比较的微表情数据中的特征点坐标；

从所述相似度比较模型中获取相似度计算公式；

将所述基准数据以及与其相比较的微表情数据中的特征点坐标输入至相似度计算公式，并将计算结果标定为相似度得分。

在一种优选方案中，所述依据所述校验准确度进行分区处理，得到多个评估集的步骤，包括：

获取一级评判阈值，并按照由高至低的顺序与所述校验准确度进行比较，得到与所有高于所述一级评判阈值的校验准确度对应的试验集，并将其标定为一级评估集；

获取二级评判阈值，并按照由高至低的顺序逐一与低于一级评判阈值的校验准确度进行比较，得到取值介于一级评判阈值和二级评判阈值之间的校验准确度，并确定其对应的试验集为二级评估集；

获取所有低于二级评判阈值的校验准确度，并确定其对应的试验集为三级评估集。

在一种优选方案中，所述根据其校验准确度的取值区间确定所有所述评估集的可信度得分的步骤，包括：

分别获取一级评估集以及二级评估集相对应的校验准确度，并输入至校正模型中，得到校正准确度；

获取可信度评估区间及其对应的可信度得分；

根据所述校正准确度对应的可信度评估区间确定一级评估集和二级评估集的可信度得分；

其中，所述三级评估集的可信度得分为额定值，且所述额定值低于一级评估集和二级评估集的可信度得分。

在一种优选方案中，所述将所述比较结果输入至复核模型中，对所述待评估微表情数据对应的识别结果进行复核的步骤，包括：

获取所述待评估微表情数据的可信度得分与可信度评定阈值之间的差值，并标定为可信度偏离量；

采集对应目标对象的复核微表情数据，并与待评估微表情数据进行比较，筛选出区别特征数据；

获取所述区别特征数据的可信度得分，并标定为校正结果。

本发明还提供了，一种基于特征提取的人工智能识别系统，应用于上述的基于特征提取的人工智能识别方法，包括：

第一获取模块，所述第一获取模块用于获取微表情数据库以及对应的识别结果，其中，所述识别结果对应1～n个微表情数据，n的取值为大于1的自然数；

第二获取模块，所述第二获取模块用于获取所有所述识别结果的校验准确度，并将所述校验准确度按照由高至低的顺序进行排列；

分区模块，所述分区模块用于依据所述校验准确度进行分区处理，得到多个评估集，并根据其校验准确度的取值区间确定所有所述评估集的可信度得分；

评估模块，所述评估模块用于获取待评估微表情数据，并逐一与多个评估集进行比对，确定与所述待评估微表情数据对应的评估集，并标定为校验评估集，且同步确定所述校验评估集的可信度得分为待评估微表情数据的可信度得分；

判定模块，所述判定模块用于获取可信度评定阈值，且与所述待评估微表情数据的可信度得分相比较，并判断所述比较结果是否需要复核；

若所述比较结果需要复核，则将所述比较结果输入至复核模型中，对所述待评估微表情数据对应的识别结果进行复核，得到校正结果，且在得到所述校正结果后，将其输入至复核模型中进行二次复核；

若所述比较结果不需要复核，则直接确定所述待评估微表情数据对应的识别结果为评判依据。

以及，一种基于特征提取的人工智能识别终端，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计算机程序，所述计算机程序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基于特征提取的人工智能识别方法。

本发明取得的技术效果为：

本发明能够对微表情数据库进行分区处理，得到不同可信度得分的评估集，基于这些评估集能够减少微表情数据识别过程的计算量，再以此为基础，便可对待评估微表情数据进行评估，评估过程中能够定位相似度接近的微表情数据，使得输出的识别结果更具准确性，而且基于识别结果能够进一步的复核与校正，保证最终得到的识别结果能够作为待评估微表情数据的评判依据。

附图说明

图1是本发明的实施例所提供的方法流程图；

图2是本发明的实施例所提供的系统模块图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个较佳的实施方式中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

请参阅图1和图2所示，本发明提供了一种基于特征提取的人工智能识别方法，包括：

S1、获取微表情数据库以及对应的识别结果，其中，识别结果对应1～n个微表情数据，n的取值为大于1的自然数；

S2、获取所有识别结果的校验准确度，并将校验准确度按照由高至低的顺序进行排列；

S3、依据校验准确度进行分区处理，得到多个评估集，并根据其校验准确度的取值区间确定所有评估集的可信度得分；

S4、获取待评估微表情数据，并逐一与多个评估集进行比对，确定与待评估微表情数据对应的评估集，并标定为校验评估集，且同步确定校验评估集的可信度得分为待评估微表情数据的可信度得分；

S5、获取可信度评定阈值，且与待评估微表情数据的可信度得分相比较，得到可信度偏离量，并判断可信度偏离量是否需要复核；

若可信度偏离量需要复核，则将可信度偏离量输入至复核模型中，对待评估微表情数据对应的识别结果进行复核，得到校正结果，且在得到校正结果后，将其输入至复核模型中进行二次复核；

若可信度偏离量不需要复核，则直接确定待评估微表情数据对应的识别结果为评判依据。

如上述步骤S1-S5所述，微表情是短而不自觉的面部表情，是无意识出现在面部的，在人们试图掩盖某些情感时产生，它的开始和结束不受主观控制，能够在不知不觉中反映出人内心的心理状态，它的出现往往意味着人们在掩饰自己的真实情绪。因此，研究微表情在深入理解人类的情绪表达特点之外，还具有很大的现实意义，本实施方式中，首先通过大量的试验，汇总出一个微表情数据库，并且在此过程中，所设定的目标问题、目标对象以及目标答案均是已知的，试验过程中，目标对象可根据需要给出自定义答案，再通过图像识别技术，汇总目标对象给出自定义答案和目标答案时的微表情数据，基于此，通过大量的试验，即可汇总出一个较为完善的微表情数据库，而后，试验人员根据这些微表情数据来确定目标对象给出的答案是否对应目标答案或者自定义答案，基于上述过程，统计出所有的识别结果，再与正确的识别结果进行比对校验，统计出所有识别结果的校验准确度，一般情况下，每个识别结果均会对应多个微表情数据，例如，人们在表示惊讶时，会表现出眉毛上扬和瞳孔放大的面部特征，在获取到所有识别结果的校验准确度之后，将其按照由高至低的顺序进行排列，从而便可根据校验准确度对微表情数据进行分类，进而便可得到多个评估集，在此，本实施方式将评估集设置为三个梯度，分别为一级评估集、二级评估集和三级评估集，其中，一级评估集中对应的校验准确度不低于95%，二级评估集中对应的校验准确度为80%～95%，至于校验准确度低于80%的微表情数据，则统一归类到三级评估集中，在此基础上，通过预设评估区间的方式能够分别确定一级评估集、二级评估集和三级评估集的可信度得分，可信度得分的取值可设置为1～10或者1～100等，后续确定多个校验对象来检测上述方式所得的结果是否能够作为评判未知对象微表情数据的评判依据，本实施方式将校验对象的微表情数据标定为待评估微表情数据，而后先确定待评估微表情数据的可信度得分，再根据预设的可信度评定阈值对其进行评定，这里，可信度评定阈值为经验数值，由本领域专业人员进行评定，本实施方式将其设定为95%，那么高于此分数的便被认为可信，相应的，在此基础上还可设定一个对应二级评估集的可信度评定阈值，其具体为80%，对于基于80%至95%之间的，则被确定为待复核数据，而对于低于80%的微表情数据而言，则直接确定为不可信数据，需要设置新的目标问题来对校验对象的微表情数据进行重新评定，即本实施方式中提及的复核模型，对于复核后的微表情数据而言，后续若不满足需要，则需要继续符复核，直至得出可信的识别结果后停止。

在一个较佳的实施方式中，获取微表情数据库的步骤，包括：

S101、确定目标对象、目标问题以及目标答案，其中，目标答案为目标问题的标准答案，且目标问题以及目标答案均设置有多个；

S102、根据目标问题，分别获取所有目标对象的自定义答案，且采集此状态下所有目标对象面部的微表情数据，并输入至微表情数据库中，其中，自定义答案为非目标答案；

S103、根据目标问题，分别获取所有目标对象的目标答案，且采集此状态下所有目标对象面部的微表情数据，并输入至微表情数据库。

如上述步骤S101-S103所述，目标对象、目标问题以及目标答案均设置有多个，但是多个目标问题和目标答案之间为一一对应的关系，且目标对象是已知目标问题和目标答案，在对目标对象进行问询时，分别获取其在给出自定义答案和目标答案时的微表情数据，对于目标对象的不同，其在给出答案时的心理活动是不一样的，那么其对应产生的微表情数据也就不会完全一致，从而基于这些微表情数据便可构建相应的微表情数据库，使得后续在采集到校验对象或者未知对象的微表情数据时，有充分的比对依据。

在一个较佳的实施方式中，获取所有识别结果的校验准确度的步骤，包括：

S201、将微表情数据库中的微表情数据依照相似度进行分类，得到多个试验集；

S202、逐一获取试验集中的微表情数据并输入至微表情识别模型中，得到识别结果，其中，识别结果包括正确结果和错误结果；

S203、汇总所有正确结果并输入至校验模型中，得到识别结果的校验准确度；

S204、汇总所有错误结果并进行修正，且与其对应的微表情数据一同汇总至备选数据库中。

如上述步骤S201-S204所述，由于人体面部的差别，在做出微表情动作时，难免会有一些偏差，本实施方式采用相似度的方式将相似的微表情数据进行归类，从而便可得到多个试验集，再逐一将每个试验集中的微表情数据输入至微表情识别模型中，判断识别结果的准确性，因为微表情数据库及其对应的识别结果均是已知的，那么在对其准确性进行判断时，具体可采用if……else条件函数进行判定，进而便可确定同一试验集中正确结果的占比率，并将其确定为校验准确度，至于错误结果则汇总至备选数据库中，按照上述步骤重新分类以及计算对应的校验准确度即可。

在一个较佳的实施方式中，将微表情数据库中的微表情数据依照相似度进行分类的步骤包括：

S2011、从微表情数据库中提取一个微表情数据，并将其标定为基准数据；

S2012、将微表情数据库中所有的微表情数据和基准数据输入至相似度比较模型中，得到多个相似度得分；

S2013、获取标准相似度得分，且与多个相似度得分逐一进行比较，并筛选出大于或等于标准相似度得分的相似度得分，且将其对应的微表情数据与基准数据确定在同一个试验集中。

如上述步骤S2011-S2013所述，在确定微表情数据的相似度得分之后，需要剔除与基准数据相似度较低或者完全不相似的微表情数据，故而就需要一个评判指标来对其进行筛选，以减少后续计算校验准确度时的计算量，在此，预设一个标准相似度得分来实施筛选过程，每种微表情所需要的标准相似度得分可能存在不一致的情况，具体设定标准应以本领域专业人员的经验判断进行设定，在此就不加以明确的限定。

在一个较佳的实施方式中，将微表情数据库中所有的微表情数据和基准数据输入至相似度比较模型中，得到多个相似度得分的步骤，包括：

步骤1：获取基准数据以及与其相比较的微表情数据中的特征点坐标；

步骤2：从相似度比较模型中获取相似度计算公式；

步骤3：将基准数据以及与其相比较的微表情数据中的特征点坐标输入至相似度计算公式，并将计算结果标定为相似度得分。

如上述步骤1至步骤3所述，微表情数据即为人们在不受主观意愿的主导下所产生的面部表情，通过图像识别的方式，将人体面部数据分为多个特征点，而后分别获取这些特征点的坐标，在确定基准数据和与其相比较的微表情数据的特征点坐标之后，利用相似度计算公式：

，式中

表示基准数据，

表示待比较的微表情数据，

表示相似度得分，

表示基准数据中第1～

点的特征点坐标，

表示待比较的微表情数据中第1～

点的特征点坐标，

表示基准数据和待比较的微表情数据中的特征点数量，基于此式，便可逐一确定基准数据和其余微表情数据的相似度得分。

在一个较佳的实施方式中，依据校验准确度进行分区处理，得到多个评估集的步骤，包括：

S301、获取一级评判阈值，并按照由高至低的顺序与校验准确度进行比较，得到与所有高于一级评判阈值的校验准确度对应的试验集，并将其标定为一级评估集；

S302、获取二级评判阈值，并按照由高至低的顺序逐一与低于一级评判阈值的校验准确度进行比较，得到取值介于一级评判阈值和二级评判阈值之间的校验准确度，并确定其对应的试验集为二级评估集；

S303、获取所有低于二级评判阈值的校验准确度，并确定其对应的试验集为三级评估集。

如上述步骤S301-S303所述，通过预设一级评判阈值和二级评判阈值的方式来对多个试验集进行分区处理，从而便可将多个试验集划分为三个梯度，本实施方式中，将多个试验集对应的校验准确度按照由高至低的顺序与一级评判阈值进行比对，在比对至低于一级评判阈值的校验准确度之后，确定分离节点后续以此为起点，逐一比对二级评判阈值即可，进而便可完成一级评估集、二级评估集和三级评估集的构建。

在一个较佳的实施方式中，根据其校验准确度的取值区间确定所有评估集的可信度得分的步骤，包括：

S304、分别获取一级评估集以及二级评估集相对应的校验准确度，并输入至校正模型中，得到校正准确度；

S305、获取可信度评估区间及其对应的可信度得分；

S306、根据校正准确度对应的可信度评估区间确定一级评估集和二级评估集的可信度得分；

其中，三级评估集的可信度得分为额定值，且额定值低于一级评估集和二级评估集的可信度得分。

如上述步骤S304-S306所述，确定一级评估集和二级评估集内所有的校验准确度之后，将其代入至校正模型中进行计算，其中，计算公式为：

，式中，

表示校正准确度，

表示一级评估集或二级评估集中的微表情数据数量，

表示一级评估集或二级评估集中第1～

个微表情数据的校验准确度，至于三级评估集对应的微表情数据可信度较低，不利于作为参考依据，故而将其可信度得分确定为一额定值，在待评估微表情数据对应三级评估集时，则直接摒弃，在确定校正准确度之后，将其逐一与可信度评估区间进行比较，即可确定校正准确度的取值范围，而后便可确定一级评估集和二级评估集的可信度得分，在此，需要说明的是，一级评估集对应的可信度得分应可以直接作为微表情数据的评判依据，当然，随着检验对象的增加，微表情数据库也在不断的得到更新，无论是一级评估集，还是二级评估集的可信度得分都能相应的得到增加，并且二级评估集中的试验集可信度得分在超出一级评判阈值之后，其将被记入至一级评估集中。

在一个较佳的实施方式中，将比较结果输入至复核模型中，对待评估微表情数据对应的识别结果进行复核的步骤，包括：

S501、获取待评估微表情数据的可信度得分与可信度评定阈值之间的差值，并标定为可信度偏离量；

S502、采集对应目标对象的复核微表情数据，并与待评估微表情数据进行比较，筛选出区别特征数据；

S503、获取区别特征数据的可信度得分，并标定为校正结果。

如上述步骤S501-S503所述，在确定可信度偏离量不符合预期时（可信度偏离量的取值小于零），是基于待评估微表情数据小于可信度评定阈值的前提进行的，可信度阈值与一级评判阈值的取值一致，而后通过采集目标对象的复核微表情数据进行二次核对，判断其是否存在对应一级评估集的微表情数据（区别特征数据），若是存在，则无需继续采集，直接生成判定结果即可，若是仍然与第一次采集的结果一致，那么便表明目标对象微表情数据对应的识别结果可信，若是出现对应三级评估集的微表情数据（区别特征数据），则表明目标对象微表情数据对应的识别结果不可信，并且继续建立新的目标问题，并再次采集目标对象的微表情数据，且对采集结果进行再次符合，以此往复，直至输出可信的识别结果。

本发明还提供了，一种基于特征提取的人工智能识别系统，应用于上述的基于特征提取的人工智能识别方法，包括：

第一获取模块，第一获取模块用于获取微表情数据库以及对应的识别结果，其中，识别结果对应1～n个微表情数据，n的取值为大于1的自然数；

第二获取模块，第二获取模块用于获取所有识别结果的校验准确度，并将校验准确度按照由高至低的顺序进行排列；

分区模块，分区模块用于依据校验准确度进行分区处理，得到多个评估集，并根据其校验准确度的取值区间确定所有评估集的可信度得分；

评估模块，评估模块用于获取待评估微表情数据，并逐一与多个评估集进行比对，确定与待评估微表情数据对应的评估集，并标定为校验评估集，且同步确定校验评估集的可信度得分为待评估微表情数据的可信度得分；

判定模块，判定模块用于获取可信度评定阈值，且与待评估微表情数据的可信度得分相比较，并判断比较结果是否需要复核；

若比较结果需要复核，则将比较结果输入至复核模型中，对待评估微表情数据对应的识别结果进行复核，得到校正结果，且在得到校正结果后，将其输入至复核模型中进行二次复核；

若比较结果不需要复核，则直接确定待评估微表情数据对应的识别结果为评判依据。

上述中，建立微表情数据库需要大量的微表情数据进行支持，从而需要采集大量试验人员的面部特征，此过程基于图像识别技术进行，为本领域人员惯用的技术手段，在此不做过多的赘述，基于这些微表情数据，判断其识别结果的校验准确度，分区模块再根据校验准确度对这些微表情数据进行分区，得到多个评估集，配合专业人员的主管经验制定相应的判断评估集可信度得分的评判取值区间，而后便可采集待评估微表情数据代入至评估模块，计算其可信度得分，再经由判定模块确定其是否需要复核，判定过程可基于条件函数（如if……else）进行嵌套，最终得出相应的判定结果即可。

以及，一种基于特征提取的人工智能识别终端，包括：

至少一个处理器；

以及与至少一个处理器通信连接的存储器；

其中，存储器存储有可被至少一个处理器执行的计算机程序，计算机程序被至少一个处理器执行，以使至少一个处理器能够执行上述的基于特征提取的人工智能识别方法。

本领域技术人员可以理解，本发明所述的故障预警终端可以为所需的目的而专门设计和制造，或者也可以包括通用计算机中的已知设备。这些设备具有存储在其内的计算机程序或应用程序，这些计算机程序选择性地激活或重构。这样的计算机程序可以被存储在设备（例如，计算机）可读介质中或者存储在适于存储电子指令并分别耦联到总线的任何类型的介质中，所述计算机可读介质包括但不限于任何类型的盘（包括软盘、硬盘、光盘、CD-ROM、和磁光盘）、ROM（Read-Only Memory，只读存储器）、RAM（Random AccessMemory，随机存储器）、EPROM（Erasable Programmable Read-Only Memory，可擦写可编程只读存储器）、EEPROM（Electrically Erasable Programmable Read-Only Memory，电可擦可编程只读存储器）、闪存、磁性卡片或光线卡片。也就是，可读介质包括由设备（例如，计算机）以能够读的形式存储或传输信息的任何介质。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其它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、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本发明中未具体描述和解释说明的结构、装置以及操作方法，如无特别说明和限定，均按照本领域的常规手段进行实施。

Claims (10)

1.一种基于特征提取的人工智能识别方法，其特征在于：包括：

获取微表情数据库以及对应的识别结果，其中，所述识别结果对应1～n个微表情数据，n的取值为大于1的自然数；

获取所有所述识别结果的校验准确度，并将所述校验准确度按照由高至低的顺序进行排列；

依据所述校验准确度进行分区处理，得到多个评估集，并根据其校验准确度的取值区间确定所有所述评估集的可信度得分；

获取待评估微表情数据，并逐一与多个评估集进行比对，确定与所述待评估微表情数据对应的评估集，并标定为校验评估集，且同步确定所述校验评估集的可信度得分为待评估微表情数据的可信度得分；

获取可信度评定阈值，且与所述待评估微表情数据的可信度得分相比较，得到可信度偏离量，并判断所述可信度偏离量是否需要复核；

若所述可信度偏离量需要复核，则将所述可信度偏离量输入至复核模型中，对所述待评估微表情数据对应的识别结果进行复核，得到校正结果，且在得到所述校正结果后，将其输入至复核模型中进行二次复核；

若所述可信度偏离量不需要复核，则直接确定所述待评估微表情数据对应的识别结果为评判依据。

2.根据权利要求1所述的一种基于特征提取的人工智能识别方法，其特征在于：所述获取微表情数据库的步骤，包括：

确定目标对象、目标问题以及目标答案，其中，所述目标答案为目标问题的标准答案，且所述目标问题以及目标答案均设置有多个；

根据目标问题，分别获取所有所述目标对象的自定义答案，且采集此状态下所有所述目标对象面部的微表情数据，并输入至微表情数据库中，其中，所述自定义答案为非目标答案；

根据目标问题，分别获取所有所述目标对象的目标答案，且采集此状态下所有所述目标对象面部的微表情数据，并输入至微表情数据库。

3.根据权利要求1所述的一种基于特征提取的人工智能识别方法，其特征在于：所述获取所有所述识别结果的校验准确度的步骤，包括：

将所述微表情数据库中的微表情数据依照相似度进行分类，得到多个试验集；

逐一获取所述试验集中的微表情数据并输入至微表情识别模型中，得到识别结果，其中，所述识别结果包括正确结果和错误结果；

汇总所有正确结果并输入至校验模型中，得到识别结果的校验准确度；

汇总所有所述错误结果并进行修正，且与其对应的微表情数据一同汇总至备选数据库中。

4.根据权利要求1所述的一种基于特征提取的人工智能识别方法，其特征在于：所述将所述微表情数据库中的微表情数据依照相似度进行分类的步骤包括：

从所述微表情数据库中提取一个微表情数据，并将其标定为基准数据；

将所述微表情数据库中所有的微表情数据和基准数据输入至相似度比较模型中，得到多个相似度得分；

获取标准相似度得分，且与多个所述相似度得分逐一进行比较，并筛选出大于或等于标准相似度得分的相似度得分，且将其对应的微表情数据与基准数据确定在同一个试验集中。

5.根据权利要求1所述的一种基于特征提取的人工智能识别方法，其特征在于：将所述微表情数据库中所有的微表情数据和基准数据输入至相似度比较模型中，得到多个相似度得分的步骤，包括：

获取基准数据以及与其相比较的微表情数据中的特征点坐标；

从所述相似度比较模型中获取相似度计算公式；

将所述基准数据以及与其相比较的微表情数据中的特征点坐标输入至相似度计算公式，并将计算结果标定为相似度得分。

6.根据权利要求1所述的一种基于特征提取的人工智能识别方法，其特征在于：所述依据所述校验准确度进行分区处理，得到多个评估集的步骤，包括：

获取一级评判阈值，并按照由高至低的顺序与所述校验准确度进行比较，得到与所有高于所述一级评判阈值的校验准确度对应的试验集，并将其标定为一级评估集；

获取二级评判阈值，并按照由高至低的顺序逐一与低于一级评判阈值的校验准确度进行比较，得到取值介于一级评判阈值和二级评判阈值之间的校验准确度，并确定其对应的试验集为二级评估集；

获取所有低于二级评判阈值的校验准确度，并确定其对应的试验集为三级评估集。

7.根据权利要求1所述的一种基于特征提取的人工智能识别方法，其特征在于：所述根据其校验准确度的取值区间确定所有所述评估集的可信度得分的步骤，包括：

分别获取一级评估集以及二级评估集相对应的校验准确度，并输入至校正模型中，得到校正准确度；

获取可信度评估区间及其对应的可信度得分；

根据所述校正准确度对应的可信度评估区间确定一级评估集和二级评估集的可信度得分；

其中，所述三级评估集的可信度得分为额定值，且所述额定值低于一级评估集和二级评估集的可信度得分。

8.根据权利要求1所述的一种基于特征提取的人工智能识别方法，其特征在于：所述将所述比较结果输入至复核模型中，对所述待评估微表情数据对应的识别结果进行复核的步骤，包括：

获取所述待评估微表情数据的可信度得分与可信度评定阈值之间的差值，并标定为可信度偏离量；

采集对应目标对象的复核微表情数据，并与待评估微表情数据进行比较，筛选出区别特征数据；

获取所述区别特征数据的可信度得分，并标定为校正结果。

9.一种基于特征提取的人工智能识别系统，应用于权利要求1至8中任意一项所述的基于特征提取的人工智能识别方法，其特征在于：包括：

第一获取模块，所述第一获取模块用于获取微表情数据库以及对应的识别结果，其中，所述识别结果对应1～n个微表情数据，n的取值为大于1的自然数；

第二获取模块，所述第二获取模块用于获取所有所述识别结果的校验准确度，并将所述校验准确度按照由高至低的顺序进行排列；

分区模块，所述分区模块用于依据所述校验准确度进行分区处理，得到多个评估集，并根据其校验准确度的取值区间确定所有所述评估集的可信度得分；

评估模块，所述评估模块用于获取待评估微表情数据，并逐一与多个评估集进行比对，确定与所述待评估微表情数据对应的评估集，并标定为校验评估集，且同步确定所述校验评估集的可信度得分为待评估微表情数据的可信度得分；

判定模块，所述判定模块用于获取可信度评定阈值，且与所述待评估微表情数据的可信度得分相比较，并判断所述比较结果是否需要复核；

若所述比较结果需要复核，则将所述比较结果输入至复核模型中，对所述待评估微表情数据对应的识别结果进行复核，得到校正结果，且在得到所述校正结果后，将其输入至复核模型中进行二次复核；

若所述比较结果不需要复核，则直接确定所述待评估微表情数据对应的识别结果为评判依据。

10.一种基于特征提取的人工智能识别终端，其特征在于：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计算机程序，所述计算机程序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至8中任意一项所述的基于特征提取的人工智能识别方法。

Images