[发明专利]人脸情绪识别方法、装置、计算机设备及存储介质

权利要求书

1.一种人脸情绪识别方法，其特征在于，包括：

获取待检测视频数据，从所述待检测视频数据中提取至少一幅待检测人脸图像；

采用人脸检测算法对所述待检测人脸图像进行检测，得到所述待检测视频数据的N个目标人脸图像区域，其中，N为正整数；

根据N个所述目标人脸图像区域对所述待检测视频数据进行视频截取，得到N个待识别人脸视频数据；

将N个所述待识别人脸视频数据输入到人脸情绪识别模型中进行识别，得到所述待检测视频数据中的N个人脸情绪信息，其中，所述人脸情绪识别模型为采用卷积神经网络-长短时递归神经网络模型训练得到的。

2.如权利要求1所述的人脸情绪识别方法，其特征在于，所述待检测人脸图像为至少两幅；

所述采用人脸检测算法对所述待检测人脸图像进行检测，得到所述待检测视频数据的N个目标人脸图像区域，具体包括如下步骤：

采用人脸检测算法对每一幅所述待检测人脸图像进行检测，得到每一幅所述待检测人脸图像的N个初始人脸图像区域；

采用人脸识别算法对每一幅所述待检测人脸图像的N个初始人脸图像区域进行识别，得到每一所述初始人脸图像区域的用户标识；

将所述待检测人脸图像中相同用户标识对应的初始人脸图像区域进图像区域整合，得到所述待检测视频数据的N个目标人脸图像区域。

3.如权利要求1所述的人脸情绪识别方法，其特征在于，在所述将N个所述待识别人脸视频数据输入到人脸情绪识别模型中进行识别，得到待检测视频中的N个人脸情绪信息的步骤之后，所述人脸情绪识别方法还包括如下步骤：

对所述待检测视频数据中的N个人脸情绪信息进行统计，得到情绪统计信息；

获取预设情绪检测规则，根据所述预设情绪检测规则对所述情绪统计信息进行检验，得到所述待检测视频数据的情绪识别信息。

4.如权利要求1所述的人脸情绪识别方法，其特征在于，在所述将N个所述待识别人脸视频数据输入到人脸情绪识别模型进行检测，得到待检测视频数据中的N个人脸情绪信息的步骤之前，所述人脸情绪识别方法还包括如下步骤：

获取原始视频样本数据，其中，每一所述原始视频样本数据均已进行了样本标注；

对每一所述原始视频样本数据进行视频分帧和人脸检测处理，得到训练人脸图片；

对所述训练人脸图片按照预设数量进行分组，获取目标训练数据，每一所述目标训练数据包括连续M帧的所述训练人脸图片；

将所述目标训练数据输入到卷积神经网络-长短时递归神经网络模型中进行训练，获取人脸情绪识别模型。

5.如权利要求4所述的人脸情绪识别方法，其特征在于，所述将所述目标训练数据输入到卷积神经网络-长短时递归神经网络模型中进行训练，获取人脸情绪识别模型，具体包括如下步骤：

初始化卷积神经网络-长短时递归神经网络模型的模型参数；

采用卷积神经网络对所述目标训练数据进行特征提取，获取人脸特征；

将所述人脸特征输入到长短时递归神经网络模型中进行训练，获取所述人脸情绪识别模型。

6.一种人脸情绪识别装置，其特征在于，包括：

待检测视频数据获取模块，用于获取待检测视频数据，从所述待检测视频数据中提取至少一幅待检测人脸图像；

目标人脸图像区域获取模块，用于采用人脸检测算法对所述待检测人脸图像进行检测，得到所述待检测视频数据的N个目标人脸图像区域，其中，N为正整数；

待识别人脸视频数据截取模块，用于根据N个所述目标人脸图像区域对所述待检测视频数据进行视频截取，得到N个待识别人脸视频数据；

人脸情绪信息获取模块，用于将N个所述待识别人脸视频数据输入到人脸情绪识别模型中进行识别，得到所述待检测视频数据中的N个人脸情绪信息，其中，所述人脸情绪识别模型为采用卷积神经网络-长短时递归神经网络模型训练得到的。