一种基于深度学习算法的人脸状态识别方法及装置制造方法及图纸

本发明专利技术公开了一种基于深度学习算法的人脸状态识别方法及装置，涉及图像识别技术领域。将视频文件分割为多个视频帧图像，从中确定关键帧图像并进行图像增强处理得到目标视频帧图像；对目标视频帧图像进行提升小波变换得到低频分量与高频分量；根据低频分量生成人脸面部区域的全局特征；针对人脸面部区域中的每一预设子区域，根据高频分量生成该预设子区域的局部特征；融合全局特征与各局部特征得到目标视频帧图的特征向量，将目标视频帧图中各预设面部区域的特征向量输入预设情感分类器，识别出视频文件中人脸的情绪状态。通过低频分量与高频分量分别提取全局特征与局部特征可以提取用于面部情绪状态分类的有效特征，提高分类的精准度。分类的精准度。分类的精准度。

【技术实现步骤摘要】
一种基于深度学习算法的人脸状态识别方法及装置


[0001]本专利技术涉及图像识别
，具体涉及一种基于深度学习算法的人脸状态识别方法及装置。

技术介绍

[0003]通过记录仪采集的视频文件可以对人脸情绪进行识别发现潜在问题。但是现有技术中情绪识别准确率较低。

技术实现思路

[0004]本专利技术的目的就在于解决上述
技术介绍
的问题，而提出一种基于深度学习算法的人脸状态识别方法及装置。
[0005]本专利技术的目的可以通过以下技术方案实现：
[0006]本专利技术实施例第一方面提供了一种基于深度学习算法的人脸状态识别方法，所述方法包括：
[0007]接收采集的视频文件，将所述视频文件分割为多个视频帧图像，从多个视频帧图像中确定关键帧图像并进行图像增强处理得到目标视频帧图像；
[0008]对所述目标视频帧图像进行提升小波变换得到低频分量与高频分量；
[0009]识别所述目标视频帧图中的人脸面部区域，根据所述低频分量生成所述人脸面部区域的全局特征；
[0010]针对所述人脸面部区域中的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习算法的人脸状态识别方法，其特征在于，所述方法包括：接收采集的视频文件，将所述视频文件分割为多个视频帧图像，从多个视频帧图像中确定关键帧图像并进行图像增强处理得到目标视频帧图像；对所述目标视频帧图像进行提升小波变换得到低频分量与高频分量；识别所述目标视频帧图中的人脸面部区域，根据所述低频分量生成所述人脸面部区域的全局特征；针对所述人脸面部区域中的每一预设子区域，根据所述高频分量生成该预设子区域的局部特征；融合所述全局特征与各局部特征得到所述目标视频帧图的特征向量，将所述目标视频帧图中各预设面部区域的特征向量输入预设情感分类器，识别出所述视频文件中人脸的情绪状态。2.根据权利要求1所述的一种基于深度学习算法的人脸状态识别方法，其特征在于，将所述视频文件分割为多个视频帧图像，从多个视频帧图像中确定关键帧图像并进行图像增强处理得到目标视频帧图像包括：按照时间顺序将所述视频文件分割为多个视频帧图像；针对每一视频帧图像，计算该视频帧图像与前一帧视频帧图像各像素显示的差异值之和，作为该视频帧图像的关键帧差异值；将关键帧差异值大于预设阈值的视频帧图像确定为所述关键帧图像；将所述关键帧图像通过双边滤波器进行图像增强处理得到目标视频帧图像。3.根据权利要求1所述的一种基于深度学习算法的人脸状态识别方法，其特征在于，对所述目标视频帧图像进行提升小波变换得到低频分量与高频分量包括：将所述目标视频帧图像从空间域变换到频域得到频域目标视频帧图像；对所述频域目标视频帧图像进行提升小波变换得到LL、LH、HL和HH四种频带信号，去除HH将LL作为低频分量并将LH和HL作为高频分量。4.根据权利要求1所述的一种基于深度学习算法的人脸状态识别方法，其特征在于，识别所述目标视频帧图中的人脸面部区域，根据所述低频分量生成所述人脸面部区域的全局特征包括：识别所述目标视频帧图中的人脸面部区域，分割出所述低频分量中所述人脸面部区域对应的低频子分量；使用预设局部特征算子计算所...

【专利技术属性】
技术研发人员：侯庆龙，刘国洋，
申请(专利权)人：深圳大器时代科技有限公司，
类型：发明
国别省市：