[发明专利]一种基于领域知识感知网络的面部细粒度情感识别方法

说明书

本发明提供一种基于领域知识感知网络的面部细粒度情感识别方法，涉及数据识别技术领域，包括以下步骤：S1：获取数据样本，提取数据样本的多维数据；S2：对多维数据提取到多维特征；S3：搜寻优先级最大的n个代表特征样本；S4：提取领域特征，与步骤S2中获取的多维特征进行匹配融合；S5：根据步骤S4得到的融合有领域特征的多维数据，构建测试集和训练集，输入至领域知识感知网络进行训练；S6：使用训练好的领域知识感知网络对目标视频进行识别。本发明简单方便，通过对人脸视频的多维分析，有效对面部表情进行细粒度情感识别，可以针对当前视频的领域特征，更加准确的计算处本人情感，使得面部细粒度情感识别更精准。

技术领域

本发明涉及数据识别技术领域，尤其是，本发明涉及一种基于领域知识感知网络的面部细粒度情感识别方法。

背景技术

情感分析也称为意见挖掘、情感分类或情感挖掘，它使用计算机技术来自动确定书写时的情绪。客户意见情绪分析的主要目标是分析客户评论并检查客户的情绪是负面的、正面的还是中性的。这种分析可以在不同的层次上进行：文档层次、句子层次、术语层次或方面层次。如今，情感分析中的许多工作都集中在细粒度级别，即基于方面的情感分析(aspect-based sentiment analysis，ABSA)，每个方面与单个实体有关。

粗粒度情感分析的研究已经称为研究的热点，2016年，Wang等在细粒度情感分析中，利用注意力机制来提取评论对象的属性，然后利用长短时记忆网络(Long-ShortTermMemory Network，LSTM)进行情感分析，其提出的基于词嵌入及注意力机制的模型获得较好的效果。Kai等基于语法解析树提出了一种树形LSTM，将语义信息与句法依存关系、短语构成等信息结合起来，完成短语级别情感分析。Tang等基于神经网络不能确定对某个细粒度属性更重要的上下文信息的缺点，提出了记忆网络，利用记忆网络捕捉不同上下文对于不同细粒度属性的重要性。

但是上述细粒度情感识别有以下缺点：一来大多是对文本进行细粒度情感识别，无法对面部表情这种多样变化性极大的细粒度情感进行识别；二来则是人的情感变化多样，除了与自身相关之外，还受到当前状态以及所处环境的影响，所以单单对细粒度情感进行识别，是与本人情感存在区别的。

因此为了解决上述问题，设计一种合理的基于领域知识感知网络的面部细粒度情感识别方法对我们来说是很有必要的。

发明内容

本发明的目的在于提供一种基于领域知识感知网络的面部细粒度情感识别方法，简单方便，通过对人脸视频的多维分析，有效对面部表情进行细粒度情感识别，且基于领域知识感知网络，可以针对当前视频的领域特征，更加准确的计算处本人情感，使得面部细粒度情感识别更精准。

为达到上述目的，本发明采用如下技术方案得以实现的：

一种基于领域知识感知网络的面部细粒度情感识别方法；包括以下步骤：

S1：获取录制有面部表情的视频，将每一个面部的视频图像作为一个数据样本，提取数据样本的多维数据；

S2：使用多维特征编码算法对多维数据进行提取，得到多维特征；

S3：搜寻多维特征中优先级最大的n个代表特征样本；

S4：提取代表特征样本所在视频内容，提取领域特征，与步骤S2中获取的多维特征进行匹配融合；

S5：根据步骤S4得到的融合有领域特征的多维数据，构建测试集和训练集，输入至领域知识感知网络进行训练；

S6：使用训练好的领域知识感知网络对需要获取面部细粒度情感的视频进行识别。

作为本发明的优选，执行步骤S1时，多维数据包括声音、声量、脸色、眼睛图像以及表情信息。