【技术实现步骤摘要】
基于人工智能的微表情识别方法、装置、设备及存储介质
[0001]本申请涉及人工智能开发
，尤其涉及基于人工智能的微表情识别方法、装置、计算机设备及存储介质。
技术介绍
[0002]表情作为人类情绪的最直观反应之一，可以产生很重要的研究和经济价值，比如心理研究，保险风控，司法审判。在过去的数十年，表情的研究识别得到的重大的发展。近年来，随着互联网的行业的快速发展，带动人工智能的发展，表情识别中的特殊表情，微表情识别也成为了新的研究热点。
[0003]微表情是一直由人类本身的情绪自发的表现出来的一种表情，与普通的表情相比，其存在无法抑制，内心真实表现，无法伪造等特点，因此也具备更大经济价值。另一方面，微表情作为内心向外界传递信息的表情，其存在的时间非常之短,脸部的表情动作的时间大概存在零点几秒之内的时间，并且动作幅度非常之小，比一般的表情识别更具备挑战性。这些特点显示了对微表情的特征提取是十分困难的。
[0004]目前，通常使用解析纹理特征、结合时序动态信息的特征提取算法等处理方式来进行微表情识别。解析纹理...
【技术保护点】
【技术特征摘要】
1.一种基于人工智能的微表情识别方法，其特征在于，包括下述步骤：获取待识别的微表情图像，并将所述微表情图像输入至预先构建的深度神经网络模型内的第一输入层；基于预设的机器视觉算法对第一输入层中的所述微表情图像进行特征提取，从所述微表情图像中提取出微表情组合特征；将所述微表情组合特征输入至所述深度神经网络模型内的堆叠降噪自编码网络，通过所述堆叠降噪自编码网络对所述微表情组合特征进行降噪处理，得到对应的微表情特征向量；将所述微表情特征向量输入至所述深度神经网络模型内的深度堆叠网络，通过所述深度堆叠网络对所述微表情特征向量进行特征提取，得到对应的目标微表情特征向量；将所述目标微表情特征向量输入至所述深度神经网络模型内的分类器，通过所述分类器对所述目标微表情特征向量进行分类识别处理，生成与所述微表情图像对应的微表情识别结果。2.根据权利要求1所述的基于人工智能的微表情识别方法，其特征在于，所述基于预设的机器视觉算法对第一输入层中的所述微表情图像进行特征提取，从所述微表情图像中提取出微表情组合特征的步骤，具体包括：基于所述机器视觉算法对第一输入层中的所述微表情图像进行切块处理，得到对应的切块数据；其中，所述切块数据的数量包括多个；构建与各所述切块数据分别对应的直方图；对各所述直方图进行拼接操作，生成与所述微表情图像对应的所述微表情组合特征。3.根据权利要求1所述的基于人工智能的微表情识别方法，其特征在于，所述将所述微表情组合特征输入至所述深度神经网络模型内的堆叠降噪自编码网络，通过所述堆叠降噪自编码网络对所述微表情组合特征进行降噪处理，得到对应的微表情特征向量的步骤，具体包括：将所述微表情组合特征输入至所述堆叠降噪自编码网络内的第二输入层；将所述第二输入层中的所述微表情组合特征输入至所述堆叠降噪自编码网络内的噪音干扰层，通过所述噪音干扰层对所述微表情组合特征进行数据增强处理，得到第一输出数据；将所述噪音干扰层中的所述第一输出数据输入至所述堆叠降噪自编码网络内的编码层，通过所述编码层对所述第一输出数据进行特征提取处理，得到第二输出数据；将所述编码层中的所述第二输出数据输入至所述堆叠降噪自编码网络内的解码层，通过所述解码层对所述第二输出数据进行数据解码处理，得到第三输出数据；将所述解码层的所述第三输出数据输入至所述堆叠降噪自编码网络内的全连接层，通过所述全连接层对所述第三输出数据进行数据处理，得到第四输出数据；将所述第四输出数据作为所述微表情特征向量。4.根据权利要求1所述的基于人工智能的微表情识别方法，其特征在于，所述将所述微表情特征向量输入至所述深度神经网络模型内的深度堆叠网络，通过所述深度堆叠网络对所述微表情特征向量进行特征提取，得到对应的目标微表情特征向量的步骤，具体包括：将所述微表情特征向量输入至所述深度神经网络模型中的所述深度堆叠网络内；
基于所述深度堆叠网络对所述微表情特征向量进行特征...
【专利技术属性】
技术研发人员：孔德松，
申请(专利权)人：中国平安财产保险股份有限公司，
类型：发明
国别省市：
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。