一种基于自适应特征选择的情感状态检测方法技术

本发明专利技术公开了一种基于自适应特征选择的情感状态检测方法，属于计算机视觉技术邻域。本发明专利技术基于自适应特征选择可以有效地约束特征之间的类内距离与类间距离，有效减少特征之间的冗余信息和噪声，提取的特征图具有一定的鲁棒性，能够区别较为相似的类别。相比传统的算法，该方案能够更有效地对室内场景下多人的情感状态进行检测，且具有更高的精度和实时性。本发明专利技术可用于识别老年人的情感状态，通过移动终端的摄像头实时捕捉室内场景下的视频和图像数据，再基于内嵌的处理方式，利用深度神经网络实时计算自适应特征，准确快速的识别老年人的情感状态。

【技术实现步骤摘要】
一种基于自适应特征选择的情感状态检测方法
本专利技术涉及计算机视觉领域，具体涉及一种基于自适应特征选择的情感状态检测方法。
技术介绍
近年来，随着老年化问题日益严重，老年群体出现的空巢现象尤其突出，如何实时监测老年人的健康状态和情感状态，是确保老年人幸福晚年的关键。目前，对老年人健康状态和情感状态的监控，大多数可通过佩戴型设备，如智能手环、智能手机等。但这是一种被动的监控方式，难以在老年人需要提供服务时及时响应，如突发疾病、情绪低落等。因此迫切需要一种新型智能的基于图像视频的情感状态检测方法，能够快速有效检测老年人的异常状态。在计算机视觉领域，有许多状态检测的方法，但是在大多数情况下，状态检测的实时性和精度难以达到要求。深度学习作为机器学习的一个新分支，在实时性和精确性上有了良好的改善。近年来，深度学习在许多领域表现出了良好的性能，如自动语音识别、自然语言处理和图像识别等领域。深度学习也已被广泛应用于图像分类、目标检测和语义分割。随着深度学习卷积神经网络在目标检测和图像分类方面取得的巨大成功，越来越多的研究者开始着眼于将卷积神经网络特征应用于行为识别、状态检测中，当前基于卷积神经网络本文档来自技高网...

【技术保护点】
1.一种基于自适应特征选择的情感状态检测方法，其特征在于，包括下列步骤：构建情感状态检测器步骤：构建包括顺次连接的输入层、特征提取网络、全连接层和输出层的情感状态检测网络模型；其中，输入层用于输入待检测人物图像；特征提取网络用于提取待检测人物图像的特征图；全连接层用于对特征图进行向量化处理，得到特征图的特征向量；输出层用于计算归一化特征向量和不同情感状态类别的归一化权重之间的余弦角度，作为当前待检测人物图像对应不同情况状态类别的检测分值；训练情感状态检测网络模型时，在全连接层后引入辅助损失层，用于计算辅助损失Ln，训练时最终的损失结果L＝LAM+λLn，其中权值λ的取值范围为(0,1)，其中L...

【技术特征摘要】
1.一种基于自适应特征选择的情感状态检测方法，其特征在于，包括下列步骤：构建情感状态检测器步骤：构建包括顺次连接的输入层、特征提取网络、全连接层和输出层的情感状态检测网络模型；其中，输入层用于输入待检测人物图像；特征提取网络用于提取待检测人物图像的特征图；全连接层用于对特征图进行向量化处理，得到特征图的特征向量；输出层用于计算归一化特征向量和不同情感状态类别的归一化权重之间的余弦角度，作为当前待检测人物图像对应不同情况状态类别的检测分值；训练情感状态检测网络模型时，在全连接层后引入辅助损失层，用于计算辅助损失Ln，训练时最终的损失结果L＝LAM+λLn，其中权值λ的取值范围为(0,1)，其中LAM表示附近边界损失；通过对应的训练样本对情感状态检测网络模型的迭代训练，使得损失结果L的精度达到期望值时结束迭代训练，得到训练好的情感状态检测网络模型，作为情感状态检测器；所述辅助损失其中，i为训练样本区分符，M表示训练时每次迭代输入训练样本的数量，j表示情感状态类别区分符，N表示总类别数目，xi表示第i个训练样本对应的特征向量，cyi表示特征向量xi对应的情感状态的类别yi的类中心，cj表示第j类情感状态的类中心，margin表示允许的最小类间距离，α表示预设比例，取值范围为(0,1)；所述附近边界损失其中，参数s表示缩放因子，m表示允许的最小余弦角度，e表示自然底数，cosθi,k表示归一化特征向量和归一化权重之间的余弦角度，计算方式为：其中Wk表示第k类情感状态的权重，符号(·)T表示转置；图像预处理步骤：对待处理的视频帧进行图像预处理，得到待检测图像；人物区域检测步骤：对待检测图...

【专利技术属性】
技术研发人员：李宏亮，袁欢，梁小娟，邓志康，颜海强，尹康，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51