人脸样本图片标注方法、装置、计算机设备及存储介质制造方法及图纸

本发明专利技术公开了一种人脸样本图片标注方法、装置、计算机设备及存储介质，所述方法包括：使用多个预设的情绪识别模型对待标注图片进行识别，根据识别结果获取识别错误的误差图片和识别正确的图片，将包含误差图片的误差数据集输出到客户端进行标注，将标注后的误差数据集和识别正确的图片作为标准样本存储到标准样本库中，并使用标准样本分别对多个情绪识别模型进行训练，以更新情绪识别模型，再返回使用多个预设的情绪识别模型对待标注图片进行识别的步骤继续执行，直到误差数据集为空为止。本发明专利技术的技术方案能够为人脸图片自动生成标注信息，提高了人脸图片的标注效率和准确率，从而提高用于模型训练和测试的标准样本库的生成效率。

Face Sample Image Annotation Method, Device, Computer Equipment and Storage Media

The invention discloses a face sample picture annotation method, device, computer equipment and storage medium. The method includes: identifying annotated pictures by using a plurality of preset emotion recognition models, obtaining error pictures and identifying correct pictures according to recognition results, outputting error data sets containing error pictures to clients for annotation, and labeling. The annotated error data set and the correctly identified pictures are stored in the standard sample library as standard samples, and the standard samples are used to train multiple emotion recognition models respectively to update the emotion recognition model, and then the steps of identifying tagged pictures using multiple presupposed emotion recognition models are continued until the error data set is empty. The technical scheme of the present invention can automatically generate annotation information for face images, improve the efficiency and accuracy of the annotation of face images, and thereby improve the efficiency of the standard sample library for model training and testing.

【技术实现步骤摘要】
人脸样本图片标注方法、装置、计算机设备及存储介质
本专利技术涉及生物识别
，尤其涉及一种人脸样本图片标注方法、装置、计算机设备及存储介质。
技术介绍
面部表情识别是人工智能领域的一个重要的研究方向，在对人脸面部的情绪识别的研究中，需要准备大量的人脸情绪样本用以支撑情绪识别模型的模型训练，通过使用大量的人脸情绪样本进行深度学习，有助于提高情绪识别模型的准确率和鲁棒性。但是，目前关于人脸情绪分类的公开数据集相对较少，需要依靠人为的方式对人脸图片进行人工标注，或者人工采集特定的人脸情绪样本，由于目前对人脸图片进行人工标注法的耗时较长，投入的人力资源较大，使得通过人工的方式收集人脸情绪样本的工作量大，导致人脸情绪样本数据集的收集效率低，且人工收集的样本数量有限，无法很好地支撑情绪识别模型的模型训练。
技术实现思路
本专利技术实施例中提供一种人脸样本图片标注方法、装置、计算机设备及存储介质，以解决人脸情绪样本图片的标注效率低的问题。一种人脸样本图片标注方法，包括：获取预设的待标注数据集中的人脸图片作为待标注图片；使用N个预设的情绪识别模型对所述待标注图片进行识别，得到所述待标注图片的识别结果本文档来自技高网...

【技术保护点】
1.一种人脸样本图片标注方法，其特征在于，所述人脸样本图片标注方法包括：获取预设的待标注数据集中的人脸图片作为待标注图片；使用N个预设的情绪识别模型对所述待标注图片进行识别，得到所述待标注图片的识别结果，其中，N为正整数，所述识别结果包括N个所述情绪识别模型预测的情绪状态和N个所述情绪状态对应的预测分值；针对每个所述待标注图片的识别结果，若N个所述情绪识别模型预测的情绪状态中存在至少两种不同的情绪状态，则将该待标注图片标识为误差图片，并将包含所述误差图片的误差数据集输出到客户端；针对每个所述待标注图片的识别结果，若N个所述情绪识别模型预测的情绪状态相同，并且所述N个情绪状态对应的预测分值均大于...

【技术特征摘要】
1.一种人脸样本图片标注方法，其特征在于，所述人脸样本图片标注方法包括：获取预设的待标注数据集中的人脸图片作为待标注图片；使用N个预设的情绪识别模型对所述待标注图片进行识别，得到所述待标注图片的识别结果，其中，N为正整数，所述识别结果包括N个所述情绪识别模型预测的情绪状态和N个所述情绪状态对应的预测分值；针对每个所述待标注图片的识别结果，若N个所述情绪识别模型预测的情绪状态中存在至少两种不同的情绪状态，则将该待标注图片标识为误差图片，并将包含所述误差图片的误差数据集输出到客户端；针对每个所述待标注图片的识别结果，若N个所述情绪识别模型预测的情绪状态相同，并且所述N个情绪状态对应的预测分值均大于预设的样本阈值，则将所述情绪状态和N个所述预测分值的均值作为该待标注图片的标注信息，并将所述标注信息标注到对应的所述待标注图片中，作为第一标准样本；接收所述客户端发送的标注后的所述误差数据集，并将所述标注后的所述误差数据集中的所述误差图片作为第二标准样本，将所述第一标准样本和所述第二标准样本保存到预设的标准样本库中；使用所述第一标准样本和所述第二标准样本，分别对N个所述预设的情绪识别模型进行训练，以更新所述N个预设的情绪识别模型；将所述待标注数据集中除所述第一标准样本和所述第二标准样本以外的所述人脸图片作为新的待标注图片，继续执行所述使用N个预设的情绪识别模型对所述待标注图片进行识别，得到所述待标注图片的识别结果的步骤，直到所述误差数据集为空为止。2.如权利要求1所述的人脸样本图片标注方法，其特征在于，在所述获取预设的待标注数据集中的人脸图片作为待标注图片之前，所述人脸样本图片标注方法还包括：使用预设的爬虫工具获取第一人脸图片；采用预设的增广方式对所述第一人脸图片进行增广，得到第二人脸图片；将所述第一人脸图片和所述第二人脸图片保存到所述预设的待标注数据集中。3.如权利要求1所述的人脸样本图片标注方法，其特征在于，在所述使用N个预设的情绪识别模型对所述待标注图片进行识别，得到所述待标注图片的识别结果之前，所述人脸样本图片标注方法还包括：从所述预设的标准样本库中获取人脸样本图片；对所述人脸样本图片进行预处理；使用所述预处理后的人脸样本图片，分别对残差神经网络模型、稠密卷积神经网络模型和谷歌卷积神经网络模型进行训练，并将训练好的所述残差神经网络模型、所述稠密卷积神经网络模型和所述谷歌卷积神经网络模型作为所述预设的情绪识别模型。4.如权利要求1所述的人脸样本图片标注方法，其特征在于，所述使用N个预设的情绪识别模型对所述待标注图片进行识别，得到所述待标注图片的识别结果包括：针对每个所述待标注图片，使用N个预设的情绪识别模型分别对该待标注图片进行特征值提取处理，得到每个所述预设的情绪识别模型对应的特征数据；在每个所述预设的情绪识别模型中，使用训练好的m个分类器对所述特征数据进行相似度计算，得到所述待标注图片的m种情绪状态的概率值，其中，m为正整数，每个所述分类器对应一种情绪状态；从m个所述概率值中，获取最大的概率值对应的情绪状态作为该情绪识别模型预测的情绪状态，将该最大的概率值作为情绪状态对应的预测分值，共得到N个所述情绪识别模型预测的情绪状态和所述N个情绪状态对应的预测分值。5.如权利要求1至4任一项所述的人脸样本图片标注方法，其特征在于，所述针对每个所述待标注图片的识别结果，若N个所述情绪识别模型预测的情绪状态中存在至少两种不同的情绪状态，则将该待标注图片标识为误差图片，...

【专利技术属性】
技术研发人员：盛建达，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东,44