一种基于表情识别的无感情绪异常检测方法技术

本发明专利技术公开了一种基于表情识别的无感情绪异常检测方法，属于计算机软件技术领域，包括采集待预测个体在某时间段T内的面部图像帧数据，并进行图像帧的情感分布预测，构建待预测数据项；将待预测数据项作为预先构建的个体情绪异常等级预测模型的输入，预测所述待预测个体的个体情绪异常等级。本发明专利技术为每个个体建立不同的个体情绪异常等级预测模型，判断个体相对于自身在一个时期内的情绪异常情况，可根据得到的异常等级有效的监听个体的心理状态并做出针对性的跟踪和治疗。并做出针对性的跟踪和治疗。并做出针对性的跟踪和治疗。

【技术实现步骤摘要】
一种基于表情识别的无感情绪异常检测方法


[0001]本专利技术涉及计算机软件
，特别涉及一种基于表情识别的无感情绪异常检测方法。

技术介绍

[0002]情绪异常检测是监听个体的心理状态并做出针对性的跟踪和治疗的有效方式，目前已有采用基于深度神经网络的情绪异常检测方案被提出，但这种方式存在的缺陷在于：(1)利用情绪识别模型的全连接层输出特征作为人群情绪异常检测模型的输入，未做到异常等级的判定；(2)只做到了个体相较于群体是否异常的判定，并没有针对个体建立个体情绪常模用于判断个体当次检测基于自身的情绪常模是否稳定；(3)基于深度学习的异常检测框架不具有可解释性。

技术实现思路

[0003]本专利技术的目的在克服现有技术存在的缺陷，以检测出个体情绪相较于自身情绪的异常等级。
[0004]为实现以上目的，本专利技术采用一种基于表情识别的无感情绪异常检测方法，包括：
[0005]采集待预测个体在某时间段T内的面部图像帧数据，并进行图像帧的情感分布预测，构建待预测数据项；
[0006]将待预测数据项作为预先构建的个体情绪异常等级预测模型的输入，预测所述待预测个体的个体情绪异常等级。采集待预测个体在某时间段T内的面部图像帧数据，并进行图像帧的情感分布预测，构建待预测数据项；
[0007]将待预测数据项作为预先构建的个体情绪异常等级预测模型的输入，预测所述待预测个体的个体情绪异常等级。
[0008]进一步地，所述采集待预测个体在某时间T段内的面部图像帧数据，并进行图像帧的情感分布预测，构建待预测数据项，包括：
[0009]采集所述待预测个体在某时间段T内的面部图像帧数据；
[0010]采用N分类
‑
表情识别模型对所述图像帧进行处理，得到每一图像帧对应的N维表情概率分布；
[0011]将所述待预测个体身份ID对应的全部表情概率分布按照每一表情维度求平均值，得到所述待预测个体身份ID对应的N维表情概率分布；
[0012]将所述待预测个体身份ID、时间段T以及对应的N维表情概率分布构建为所述待测数据项。
[0013]进一步地，所述个体情绪异常等级预测模型包括第一多维高斯模型、孤立森林模型和PCA模型中的至少一个。
[0014]进一步地，还包括：
[0015]将所述待预测数据项作为预先构建的群体情绪异常等级预测模型的输入，预测所
述待预测个体的群体情绪异常等级，所述群体情绪异常等级预测模型包括第二多维高斯模型。
[0016]进一步地，在所述个体情绪异常等级预测模型包括第一多维高斯模型、孤立森林模型和PCA模型中的至少两个时，所述将待预测数据项作为预先构建的个体情绪异常等级预测模型的输入，预测所述待预测个体的个体情绪异常等级，包括：
[0017]将所述待预测数据项分别作为所述第一多维高斯模型、孤立森林模型和PCA模型中的至少两个模型的输入，将各模型输出的情绪异常等级预测结果进行叠加，得到所述待预测个体的个体情绪异常等级。
[0018]进一步地，所述第一多维高斯模型对所述待预测数据项进行处理过程包括：
[0019]对于所述待预测数据项，通过以下公式计算得到概率密度函数值ρ(x)：
[0020][0021]其中，x为待预测数据项，Σ1为协方差矩阵，μ为N维度均值，m为样本数量；
[0022]将所述概率密度函数值ρ(x)与阈值ε1进行比较，判断所述待预测个体的情绪异常等级u1；
[0023]所述孤立森林模型对所述待预测数据项进行处理的过程包括：
[0024]根据所述待预测数据项，综合所述孤立森林模型每棵树的计算结果，计算异常得分s1：
[0025][0026]其中，x为所述待预测数据项，h(x)为x在每棵树的高度，c(n)为所述孤立森林模型构建时给定样本数n路径的平均长度值；
[0027]将异常得分s1与阈值ε2进行比较，判断所述待预测个体的情绪异常等级u2。
[0028]进一步地，利用所述PCA模型对所述待预测数据项进行处理的过程包括：
[0029]基于重构方式的所述PCA模型对所述待预测数据项进行处理，判断所述待预测数据项的情绪异常等级
[0030]基于偏离方式的所述PCA模型对所述待预测数据项进行处理，判断所述待预测数据项的情绪异常等级
[0031]根据所述待预测数据项的情绪异常等级和所述待预测数据项的情绪异常等级计算所述待预测个体的情绪异常等级u3。
[0032]进一步地，还包括：
[0033]对于已录入系统的样本对象，采集多个时间段内个体身份ID对应的面部图像帧；
[0034]对样本对象身份ID对应的面部图像帧进行情感分布预测，构建每个样本对象对应的训练数据项，并存入数据表；
[0035]根据每一样本对象在数据表中的全部训练数据项，构建所述个体情绪异常等级预测模型和所述群体情绪异常等级预测模型。
[0036]进一步地，所述根据每一样本对象在数据表中的全部训练数据项，构建所述个体情绪异常等级预测模型和所述群体情绪异常等级预测模型，包括：
[0037]将所述每一样本对象在数据表中的全部训练数据项进行数学变换，使其满足近似符合正态分布；
[0038]计算所有所述样本对象在数据表中的全部训练数据项的N维度均值μ以及协方差矩阵Σ1；
[0039]基于所述每一样本对象对应的N维度均值μ以及协方差矩阵Σ1，构建所述每一样本对象对应的第一多维高斯模型；
[0040]基于所有所述样本对象的N维度均值μ以及协方差矩阵Σ1，构建所述第二多维高斯模型；
[0041]根据所述每一样本对象在数据表中的全部训练数据项，构建所述每一样本对象对应的孤立森林模型；
[0042]根据所述每一样本对象在数据表中的全部训练数据项，构建所述每一样本对象对应的PCA模型。
[0043]进一步地，所述根据所述每一样本对象在数据表中的全部训练数据项，构建所述每一样本对象对应的孤立森林模型，包括：
[0044]对所述每一样本对象在数据表中的全部训练数据项进行预处理，作为所述孤立森林模型的训练数据；
[0045]从所述训练数据中随机选择v个点作为子样本，放入一颗孤立树的根节点，随机指定一个维度在其最大值与最小值之间产生一个切割点p；
[0046]切割点p将当前节点数据空间划分为两个子空间，当前维度下小于p的点放在当前节点的左分支，大于p的点放在当前节点的右分支；
[0047]在节点的左右分支节点递归进行2
‑
3，直到无法再继续划分为止；
[0048]不断进行2
‑
4，直到获得t个孤立树，在获得t个孤立树后，结束单棵树的训练，构建得到所述孤立森林模型；
[0049]根据所述每一样本对象在数据表中的全部训练数据项，构建所述每一样本对象对应的PCA模型，包括：
[0050]对所述每一样本对象在数据表中的全本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于表情识别的无感情绪异常检测方法，其特征在于，包括：采集待预测个体在某时间段T内的面部图像帧数据，并进行图像帧的情感分布预测，构建待预测数据项；将待预测数据项作为预先构建的个体情绪异常等级预测模型的输入，预测所述待预测个体的个体情绪异常等级。2.如权利要求1所述的基于表情识别的无感情绪异常检测方法，其特征在于，所述采集待预测个体在某时间T段内的面部图像帧数据，并进行图像帧的情感分布预测，构建待预测数据项，包括：采集所述待预测个体在某时间段T内的面部图像帧数据；采用N分类
‑
表情识别模型对所述图像帧进行处理，得到每一图像帧对应的N维表情概率分布；将所述待预测个体身份ID对应的全部表情概率分布按照每一表情维度求平均值，得到所述待预测个体身份ID对应的N维表情概率分布；将所述待预测个体身份ID、时间段T以及对应的N维表情概率分布构建为所述待测数据项。3.如权利要求1所述的基于表情识别的无感情绪异常检测方法，其特征在于，所述个体情绪异常等级预测模型包括第一多维高斯模型、孤立森林模型和PCA模型中的至少一个。4.如权利要求1所述的基于表情识别的无感情绪异常检测方法，其特征在于，还包括：将所述待预测数据项作为预先构建的群体情绪异常等级预测模型的输入，预测所述待预测个体的群体情绪异常等级，所述群体情绪异常等级预测模型包括第二多维高斯模型。5.如权利要求3所述的基于表情识别的无感情绪异常检测方法，其特征在于，在所述个体情绪异常等级预测模型包括第一多维高斯模型、孤立森林模型和PCA模型中的至少两个时，所述将待预测数据项作为预先构建的个体情绪异常等级预测模型的输入，预测所述待预测个体的个体情绪异常等级，包括：将所述待预测数据项分别作为所述第一多维高斯模型、孤立森林模型和PCA模型中的至少两个模型的输入，将各模型输出的情绪异常等级预测结果进行叠加，得到所述待预测个体的个体情绪异常等级。6.如权利要求3所述的基于表情识别的无感情绪异常检测方法，其特征在于，所述第一多维高斯模型对所述待预测数据项进行处理过程包括：对于所述待预测数据项，通过以下公式计算得到概率密度函数值ρ(x)：其中，x为待预测数据项，Σ1为协方差矩阵，μ为N维度均值，m为样本数量；将所述概率密度函数值ρ(x)与阈值ε1进行比较，判断所述待预测个体的情绪异常等级u1；所述孤立森林模型对所述待预测数据项进行处理的过程包括：根据所述待预测数据项，综合所述孤立森林模型每棵树的计算结果，计算异常得分s1：
其中，x为所述待预测数据项，h(x)为x在每棵树的高度，c(n)为所述孤立森林模型构建时给定样本数n路径的平均长度值；将异常得分s1与阈值ε2进行比较，判断所述待预测个体的情绪异常等级u2。7.如权利要求3所述的基于表情识别的无感情绪异常检测方法，其特征在于，利用所述PCA模型对所述待预测数据项进行处理的过程包括：基于重构方式的所述PCA模型对所述待预测数据项进行处理，判断所述待预测数据项的情绪异常等级基于偏离方式的所述PCA模型对所述待预测数据项进行处理，判断所述待预测数据项的情绪异常等级根据所述待...

【专利技术属性】
技术研发人员：黄杰，饶轩横，孙晓，汪萌，吴枫，康宇，
申请(专利权)人：合肥综合性国家科学中心人工智能研究院安徽省人工智能实验室，
类型：发明
国别省市：