基于计算机视觉和深度学习的青少年情绪识别及检测方法技术

本发明专利技术提供了基于计算机视觉和深度学习的青少年情绪识别及检测方法，用于识别青少年的情绪异常，识别方法包括采集观察对象的人脸图像数据、人工标注图像中的情绪、通过标记的图像，训练深度学习情绪识别模型及通过深度学习情绪识别模型，统计观察对象的总体情绪，判断观察对象的情绪是否异常。本发明专利技术提供的方法通过软件高效完成判别，具备较高的判别精度，节省了人工判别的时间，对于统计模型进行长期的优化和改进，具有持续进步的特点，同时也保证了数据的客观性、准确性和抗伪性。准确性和抗伪性。准确性和抗伪性。

【技术实现步骤摘要】
基于计算机视觉和深度学习的青少年情绪识别及检测方法


[0001]本专利技术属于人工智能、心理学
，具体涉及基于计算机视觉和深度学习的青少年情绪识别及检测方法。

技术介绍

[0002]情绪是对一系列主观认知经验的通称，是人对客观事物的态度体验以及相应的行为反应。情感计算是一种通过计算机对人类情感进行识别、解释、处理的技术，早在20世纪初，Ekman和Friesen通过对多种文化背景下的人进行研究创造出6种人类基本表情,并制造了一种情绪模型。
[0003]现有的青少年异常情绪排查，主要是通过心理治疗师根据和青少年的对话和做题的方式，得知青少年的心理情况。这样的排查方式具有很大的主观性，也会因为心理治疗师的水平、青少年的伪装等因素导致排查效果不佳，但目前全国心理治疗师的数量极度有限，心理治疗师的水平参差不齐，而且青少年在心理治疗过程中会出现伪装行为，这种伪装在心理治疗的早期阶段非常具有迷惑性，有时会造成50％以上的失误率。
[0004]近年来，人工智能算法尤其是深度学习算法在如人脸识别等领域具有较为出色的表现，深度学习算法正处于快速发展阶段，其也能够成为人脸情绪识别的主要手段。
[0005]面部表情是指通过眼部肌肉、颜面肌肉和口部肌肉的变化来表现各种情绪状态。人的眼睛是最善于传情的，不同的眼神可以表达人的各种不同的情绪和情感。例如，高兴和兴奋时“眉开眼笑”，气愤时“怒目而视”，恐惧时“目瞪口呆”，悲伤时“两眼无光”，惊奇时“双目凝视”等等。眼睛不仅能传达感情，而且可以交流思想。人们之间往往有许多事情只能意会，不能或不便言传，在这种情况下，通过观察人的眼神可以了解他们的内心思想和愿望，推知他们的态度：赞成还是反对、接受还是拒绝、喜欢还是不喜欢、真诚还是虚假等。
[0006]部分公司如Affectiva、Eyeris对人类情绪进行分析，并应用于驾驶领域，通过对人类的情绪状态分析辅助无人驾驶等来提供更好的驾驶和乘坐体验。但是，市场及学术圈没有通过对青少年情感进行计算，并用于长期无感、定量化的检测青少年情绪波动状态。

技术实现思路

[0007]本专利技术目的是通过对青少年的日常人脸情绪进行收集，并对青少年的情绪进行建模，辅助学校内的心理治疗师做出更加精准的判断并对青少年的情绪异常情况进行早筛。通过以日常生活场景进行情绪排查，会有更少的假阴性和假阳性的情况，大大提升了心理治疗师对于情绪异常排查的准确度。同时，本专利技术提出的方法是一个闭环结构，可以持续对青少年的心理情况进行跟踪、筛选和治疗，并观察治疗情况。
[0008]具体通过以下技术方案实现：
[0009]本专利技术提出基于计算机视觉和深度学习的青少年情绪识别方法，用于识别青少年的情绪异常，所述方法包括：
[0010]采集观察对象的人脸图像数据；
[0011]人工标注所述图像中的情绪；
[0012]通过标记的所述图像，训练深度学习情绪识别模型；
[0013]通过所述深度学习情绪识别模型，统计所述观察对象的总体情绪，判断所述观察对象的情绪是否异常。
[0014]具体地，所述“采集观察对象的人脸图像数据”包括：
[0015]通过摄像头在观察环境中采集数据；
[0016]对采集的所述数据进行人脸识别，保存为所述人脸图像数据。
[0017]进一步地，所述观察环境为教室，所述观察对象为所述教室内的学生，所述摄像头的纵轴安装位置H＝k+0.7d，k为所述教室内黑板下沿的高度，d为第一排所述学生与所述黑板的间距。
[0018]优选地，所述方法还包括：
[0019]在所述“采集观察对象的人脸图像数据”的步骤后，对采集的所述人脸图像数据进行加密，以防止在传输过程中的数据泄露。
[0020]具体地，所述“对采集的所述人脸图像数据进行加密”包括：
[0021]通过随机数，获得一个和拍摄的视频单帧图像尺寸一样的图像；
[0022]将所述图像作为加密密匙，并保存在本地；
[0023]对每帧所述图像进行加密。
[0024]优选地，所述“人工标注所述图像中的情绪”包括，将所述观察对象的所述总体情绪分为多种情绪因子，并根据多种所述情绪因子标注所述图像。
[0025]进一步地，根据多种所述情绪因子标注的所述图像得到情绪指数，表达式为：
[0026]y＝k1x1+k1x1+
…
+k
n
x
n
[0027]其中，y为情绪指数，k
n
为第n情绪因子的权重，x
n
为标注为所述第n情绪因子的所述图像在所有所述图像中的占比；
[0028]所述“通过所述深度学习情绪识别模型，统计所述观察对象的总体情绪，判断所述观察对象的情绪是否异常”包括：
[0029]根据所述情绪指数，判断所述观察对象的情绪是否异常。
[0030]进一步地，所述“通过所述深度学习情绪识别模型，统计所述观察对象的总体情绪，判断所述观察对象的情绪是否异常”包括：
[0031]根据所述观察对象的所述正面情绪和/或所述负面情绪在所述总体情绪中的占比，判断所述观察对象是否为情绪异常；
[0032]预设负面情绪阈值，若所述观察对象的所述负面情绪在所述总体情绪中的占比超过所述负面情绪阈值，判定所述观察对象为情绪异常；
[0033]和/或，预设正面情绪阈值，若所述观察对象的所述正面情绪在所述总体情绪中的占比未超过所述正面情绪阈值，判定所述观察对象为情绪异常。
[0034]优选地，所述“通过所述深度学习情绪识别模型，统计所述观察对象的总体情绪，判断所述观察对象的情绪是否异常”还包括：
[0035]若判断所述观察对象为情绪异常，进行人工排查，通过人工重复确认判定为情绪异常的所述观察对象是否为情绪异常，若重复确认结果为是，对所述观察对象进行治疗。
[0036]进一步地，将所述排查、治疗的数据导入所述深度学习情绪识别模型，以持续优化
和改进所述深度学习情绪识别模型。
[0037]本专利技术还提出了基于计算机视觉和深度学习的青少年情绪检测方法，所述检测方法基于如前文所述的一种基于计算机视觉和深度学习的青少年情绪识别方法实现，所述检测方法包括：
[0038]采集所述观察对象的人脸图像数据；
[0039]对采集的所述数据进行人脸识别；
[0040]通过所述深度学习情绪识别模型，实时检测所述观察对象情绪，判断所述观察对象是否情绪异常。
[0041]本专利技术至少具有以下有益效果：
[0042]本专利技术提出的基于计算机视觉和深度学习的青少年情绪识别方法适用面广，泛用性强，可适用于多种环境，能够通过软件高效完成判别，替代人工作业，同时具有较高的精度，通过引入新数据，能够不断优化和改进统计模型，达到持续进步的效果，基于如上方法，本专利技术还提出的基于计算机视觉和深度学习的青少年检测方法能够达到实时检测的效果；
[0043]进一步地，通本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于计算机视觉和深度学习的青少年情绪识别方法，其特征在于，用于识别青少年的情绪异常，所述方法包括：采集观察对象的人脸图像数据；人工标注所述图像中的情绪；通过标记的所述图像，训练深度学习情绪识别模型；通过所述深度学习情绪识别模型，统计所述观察对象的总体情绪，判断所述观察对象的情绪是否异常。2.根据权利要求1所述的基于计算机视觉和深度学习的青少年情绪识别方法，其特征在于，所述“采集观察对象的人脸图像数据”包括：通过摄像头在观察环境中采集数据；对采集的所述数据进行人脸识别，保存为所述人脸图像数据。3.根据权利要求2所述的基于计算机视觉和深度学习的青少年情绪识别方法，其特征在于，所述观察环境为教室，所述观察对象为所述教室内的学生，所述摄像头的安装高度H＝k+k1d，k为所述教室内黑板下沿的高度，d为第一排所述学生与所述黑板的间距，k1为常数。4.根据权利要求1
‑
3任一项所述的基于计算机视觉和深度学习的青少年情绪识别方法，其特征在于，所述方法还包括：在所述“采集观察对象的人脸图像数据”的步骤后，对采集的所述人脸图像数据进行加密，发送加密后的所述人脸图像数据，接收端接收并解密所述人脸图像数据。5.根据权利要求4所述的基于计算机视觉和深度学习的青少年情绪识别方法，其特征在于，所述“对采集的所述人脸图像数据进行加密”包括：通过随机数，获得和拍摄的视频单帧图像尺寸一样的图像；将所述图像作为加密密匙，并保存在本地；对每帧所述图像进行加密。6.根据权利要求1所述的基于计算机视觉和深度学习的青少年情绪识别方法，其特征在于，所述“人工标注所述图像中的情绪”包括，将所述观察对象的所述总体情绪分为多种情绪因子，并根据多种所述情绪因子标注所述图像。7.根据权利要求6所述的基于计算机视觉和深度学习的青少年情绪识别方法，其特征在于，根据多种所述情绪因子标注的所述图像得到情绪指数，表达式为：y＝k1x1+k1x1+
…
+k
n
x
n
其中，y为情绪指数，k
n
为第n情绪因...

【专利技术属性】
技术研发人员：刘冰，
申请(专利权)人：浙江柔灵科技有限公司，
类型：发明
国别省市：