The application provides an expression recognition method and device. By acquiring the brain signal when the person to be detected observes the expression, the brain signal is input to the expression recognition model including multiple classifiers, and then the expression corresponding to the brain signal to be detected is determined according to the output results of multiple classifiers. Because many classifiers in the expression recognition model take into account the cognitive mechanism of the brain to different facial expressions, the expression recognition model has a hierarchical distribution structure to describe the brain signals corresponding to different facial expressions. Through the expression recognition model, the expression corresponding to the brain signals to be detected can be more reasonably determined, which improves the accuracy of facial expression recognition.
【技术实现步骤摘要】
表情的识别方法和装置
本申请涉及数据处理
,尤其涉及一种表情的识别方法和装置。
技术介绍
从大脑神经信号解码视觉感知物是当前国际上备受关注的前沿领域。这一技术结合机器学习相关方法通过对从受试者采集到的功能性磁共振成像(functionalMagneticResonanceImaging,fMRI)信号进行分析,可以获知受试者观察到的物体的信息。目前,存在许多根据受试者fMRI信号分析受试者观察到的人脸面部表情的技术,然而,由于这些技术没有考虑大脑对不同面部表情在认知模型结构上存在的差异,导致面部表情的解码效果较差,面部表情识别的准确率较低。
技术实现思路
本申请提供了一种表情的识别方法和装置,用于解决面部表情的解码效果较差,面部表情识别的准确率较低的问题。第一方面,本申请提供了一种表情的识别方法,包括:获取待检测的脑部信号;所述待检测的脑部信号为待检测人员观察到表情时的脑部信号;将所述待检测的脑部信号输入到表情识别模型中,得到N种表情分别对应的分类准确率;所述表情识别模型是以测试人员观察预设N种表情时的脑部信号为输入,以所述预设N种表情分别对应的分类准确率为输出训练得到的模型;所述表情识别模型包括N-1个分类器,所述分类器用于输出与所述分类器对应的表情的分类准确率,其中,所述N-1个分类器中的一个分类器与所述预设N种表情中的两种表情对应,剩余的N-2个分类器与剩余的N-2种表情一一对应;N为大于1的整数;根据所述N种表情分别对应的分类准确率,确定所述待 ...
【技术保护点】
1.一种表情的识别方法,其特征在于,包括:/n获取待检测的脑部信号;所述待检测的脑部信号为待检测人员观察到表情时的脑部信号;/n将所述待检测的脑部信号输入到表情识别模型中,得到N种表情分别对应的分类准确率;所述表情识别模型是以测试人员观察预设N种表情时的脑部信号为输入,以所述预设N种表情分别对应的分类准确率为输出训练得到的模型;所述表情识别模型包括N-1个分类器,所述分类器用于输出与所述分类器对应的表情的分类准确率,其中,所述N-1个分类器中的一个分类器与所述预设N种表情中的两种表情对应,剩余的N-2个分类器与剩余的N-2种表情一一对应;N为大于1的整数;/n根据所述N种表情分别对应的分类准确率,确定所述待检测的脑部信号对应的表情。/n
【技术特征摘要】
1.一种表情的识别方法,其特征在于,包括:
获取待检测的脑部信号;所述待检测的脑部信号为待检测人员观察到表情时的脑部信号;
将所述待检测的脑部信号输入到表情识别模型中,得到N种表情分别对应的分类准确率;所述表情识别模型是以测试人员观察预设N种表情时的脑部信号为输入,以所述预设N种表情分别对应的分类准确率为输出训练得到的模型;所述表情识别模型包括N-1个分类器,所述分类器用于输出与所述分类器对应的表情的分类准确率,其中,所述N-1个分类器中的一个分类器与所述预设N种表情中的两种表情对应,剩余的N-2个分类器与剩余的N-2种表情一一对应;N为大于1的整数;
根据所述N种表情分别对应的分类准确率,确定所述待检测的脑部信号对应的表情。
2.根据权利要求1所述的方法,其特征在于,所述将所述待检测的脑部信号输入到表情识别模型中,得到N种表情分别对应的分类准确率之前,还包括:
根据所述待检测的脑部信号,分别获取预设多个脑区的脑部信号;所述将所述待检测的脑部信号输入到表情识别模型中,得到N种表情分别对应的分类准确率,包括:
将每个脑区的脑部信号输入到该脑区对应的表情识别模型中,得到该脑区的N种表情分别对应的分类准确率;
所述根据所述N种表情分别对应的分类准确率,确定所述待检测的脑部信号对应的表情,包括:
根据每个脑区的N种表情分别对应的权重值和分类准确率,确定所述待检测的脑部信号对应的表情。
3.根据权利要求1或2所述的方法,其特征在于,所述获取待检测的脑部信号之前,还包括:
获取训练数据集;所述训练数据集包括测试人员观察所述预设N种表情时的脑部信号;
根据所述训练数据集训练所述表情识别模型。
4.根据权利要求3所述的方法,其特征在于,所述根据所述训练数据集训练所述表情识别模型,包括:
根据所述训练数据集,针对所述预设N种表情中的每种表情执行第一操作,得到所述预设N种表情分别对应的分类准确率;
将所述预设N种表情中分类准确率最大的表情对应的分类器确定为所述表情识别模型中的第一个分类器,并将所述分类准确率最大的表情确定为所述第一个分类器对应的表情;
删除所述训练数据集中各个测试人员观察所述第一个分类器对应的表情时的脑部信号,获得更新后的训练数据集,并根据所述更新后的训练数据集,针对所述预设N种表情中除所述第一个分类器对应的表情之外的每种表情执行第一操作,获取所述表情识别模型中的第二个分类器;以此类推,直至获取所述表情识别模型中的第N-1个分类器;
其中,所述第一操作包括:
将所述训练数据集划分为训练样本集和测试样本集;所述训练样本集包括多个测试人员观察所述预设N种表情时的脑部信号;
将所述训练样本集划分为第一样本集和第二样本集;所述第一样本集包括所述训练样本集中所述多个测试人员观察...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。