[发明专利]基于人工智能的微表情识别方法、装置、设备及存储介质

权利要求书

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映射处理，得到对应的特征表达数据；

将所述特征表达数据作为所述目标微表情特征向量。

5.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，在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之前，还包括：

确定目标数量；

获取目标数量的堆叠块；

基于串联方式对所有所述堆叠块进行串联堆叠，得到所述深度堆叠网络。