【技术实现步骤摘要】
视频微表情识别方法、装置、计算机设备及存储介质
本专利技术涉及人工智能的生物识别
，尤其涉及一种视频微表情识别方法、装置、计算机设备及存储介质。
技术介绍
随着互联网技术的不断发展，金融产品也开始提供线上销售的渠道，以便于人们进行购买。在销售过程中，可以对录制的销售过程视频使用微表情识别技术，分析客户在视频中企图抑制的真实情绪，实现对客户的情绪识别以规避销售过程中的风险。现有的微表情识别算法需要完成特征提取和表情识别两个任务。其中，“特征提取”是指在一段经过合适的预处理方法的视频图像序列中，通过各种特征提取方式检测并提取其中的微表情，例如，基于光流的特征提取或者基于LBP-TOP算子(即时空局部纹理算子)的特征提取。而“表情识别”实际上是一个分类任务。亦即，将提取获得的微表情分到预先设定的类别中，从而最终确定每个微表情具体对应的含义。例如，高兴，悲伤、惊讶、生气、厌恶、害怕等等。现有的表情识别方法是通过CNN(卷积神经网络)来实现的。其首先利用训练数据集对构建好的CNN模型进行训练。然后通过训练...
【技术保护点】
1.一种视频微表情识别方法，其特征在于，包括：/n若接收到与用户端对应的用户视频数据，获取所述用户视频数据的视频图像序列中包含微表情的图像帧；/n根据预设的经验帧数值，在包含微表情的图像帧中获取与所述经验帧数值相等张数的连续多帧图像，以组成微表情序列；/n调用预先构建的权重计算层计算所述微表情序列中每一帧图像的权重特征向量，以得到每一帧图像的结合权重值的图像特征向量；/n将每一帧图像的结合权重值的图像特征向量进行求和，得到所述用户视频数据对应的综合图像特征向量；/n将所述综合图像特征向量输入至预先训练的卷积神经网络，得到微表情识别结果；以及/n调用预先存储的事项处理微表情策...
【技术特征摘要】
1.一种视频微表情识别方法，其特征在于，包括：
若接收到与用户端对应的用户视频数据，获取所述用户视频数据的视频图像序列中包含微表情的图像帧；
根据预设的经验帧数值，在包含微表情的图像帧中获取与所述经验帧数值相等张数的连续多帧图像，以组成微表情序列；
调用预先构建的权重计算层计算所述微表情序列中每一帧图像的权重特征向量，以得到每一帧图像的结合权重值的图像特征向量；
将每一帧图像的结合权重值的图像特征向量进行求和，得到所述用户视频数据对应的综合图像特征向量；
将所述综合图像特征向量输入至预先训练的卷积神经网络，得到微表情识别结果；以及
调用预先存储的事项处理微表情策略，获取与所述微表情识别结果的事项处理流程信息，将所述事项处理流程信息发送至用户端；其中，所述事项处理微表情策略存储有若干个事项处理流程信息，每一事项处理流程信息对应一个微表情识别结果。
2.根据权利要求1所述的视频微表情识别方法，其特征在于，所述获取所述用户视频数据的视频图像序列中包含微表情的图像帧，包括：
通过光流法获取所述用户视频数据的视频图像序列中包含微表情的图像帧；或者通过时空局部纹理算子获取所述用户视频数据的视频图像序列中包含微表情的图像帧。
3.根据权利要求2所述的视频微表情识别方法，其特征在于，所述通过光流法获取所述用户视频数据的视频图像序列中包含微表情的图像帧，包括：
获取所述用户视频数据的视频图像序列的各像素点对应的速度矢量特征；
若视频图像序列中存在至少一帧图像的所述速度矢量特征未保持连续变化，由对应图片组成包含微表情的图像帧。
4.根据权利要求1所述的视频微表情识别方法，其特征在于，所述调用预先构建的权重计算层计算所述微表情序列中每一帧图像的权重特征向量，以得到每一帧图像的结合权重值的图像特征向量，包括：
获取所述微表情序列中每一帧图像对应的图片特征向量，及每一帧图像对应的图片特征向量集合；其中，所述微表情序列中第i帧图像对应的图片特征向量集合由所述微表情序列中除第i帧图像之外的其他帧图像对应的图片特征向量组成，i的取值范围是[1,N]且N＝经验帧数值；
获取所述微表情序列中每一帧图像的图片特征向量与其他各帧图像的图片特征向量之间的相似度值，以得到每一帧图像对应的相似度值集合；其中，所述微表情序列中第i帧图像的图片特征向量与其他各帧图像的图片特征向量之间的相似度值，组成第i帧图像的相似度值集合；
将所述微表情序列中每一帧图像分别对应的相似度值集合均进行归一化处理，得到与每一帧图像分别对应的归一化相似度值集合；
根据每一帧图像分别对应的归一化相似度值集合及图片特征向量集合，获取每一帧图像分别对应的权重特征向量，以得到每一帧...
【专利技术属性】
技术研发人员：熊玮，
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
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。