投票结果处理方法、装置、电子设备、介质和程序产品与流程

1.本公开涉及人工智能领域，具体涉及人工神经网络领域，更具体地涉及一种投票结果处理方法、装置、电子设备、介质和程序产品。


背景技术：

2.重要事项或议题的决定通常采用投票表决的方法确定最终表决结果。现有技术中，通常仅统计投票结果为“同意”的票数，在“同意”票数超过预设数值时(例如为投票人数的二分之一)，确定最终表决结果为通过，否则确定最终表决结果为否决。
3.在实现本公开构思的过程中，发明人发现相关技术中至少存在如下问题：仅依据投票人的投票结果确定最终表决结果，无法较为真实的体现被表决议题的表决结果价值，导致最终表决结果缺乏可靠性。


技术实现要素：

4.鉴于上述问题，本公开提供了提高表决结果可靠性的投票结果处理方法、装置、电子设备、介质和程序产品。
5.根据本公开的第一个方面，提供了一种投票结果处理方法，包括：
6.根据一个或多个投票人针对待表决议题的第一投票结果，确定上述待表决议题的第一表决结果；
7.获取每个上述投票人在对上述待表决议题进行表决的过程中的图像信息；
8.将上述图像信息输入神经网络模型，输出上述投票人的表情类型；
9.根据上述投票人的表情类型和上述第一投票结果确定上述投票人针对上述待表决议题的第二投票结果；
10.根据一个或多个上述投票人的第二投票结果确定上述待表决议题的第二表决结果；以及
11.根据上述第一表决结果与上述第二表决结果确定上述待表决议题的最终表决结果。
12.根据本公开的实施例，其中，根据上述投票人的表情类型和上述第一投票结果确定上述投票人针对上述待表决议题的第二投票结果包括：
13.将上述第一投票结果进行量化，确定第一单位投票值；
14.根据上述投票人的表情类型和上述第一投票结果确定上述投票人的投票权重系数；
15.基于上述投票人的投票权重系数与上述投票人的第一单位投票值确定上述投票人的第二单位投票值；
16.基于上述投票人的第二单位投票值确定上述投票人针对上述待表决议题的第二投票结果。
17.根据本公开的实施例，其中，上述表情类型包括第一表情类或第二表情类；其中，
上述第一表情类所表示的情感与上述第二表情类所表示的情感相反；
18.上述根据上述投票人的表情类型和上述第一投票结果确定上述投票人的投票权重系数包括：
19.在上述投票人的表情类型为上述第一表情类的情况下，确定上述投票人的投票权重系数为第一权重系数；以及
20.在上述投票人的表情类型为上述第二表情类型的情况下，确定上述投票人的权重系数为第二权重系数；其中，上述第一权重系数大于上述第二权重系数。
21.根据本公开的实施例，上述神经网络模型包括：卷积神经网络、循环神经网络或长短期记忆神经网络中的任一种或多种的组合。
22.根据本公开的实施例，其中，上述图像信息包括视频信息；上述神经网络模型包括第一神经网络与第二神经网络；
23.上述将上述图像信息输入神经网络模型，输出上述投票人的表情类型包括：
24.对上述视频信息进行预处理，得到多帧图像；其中，上述多帧图像在时间上是连续的；
25.利用上述第一神经网络提取上述多帧图像的图像特征，得到图像特征数据；
26.利用上述第二神经网络处理上述图像特征数据，输出上述投票人的表情类型。
27.根据本公开的实施例，其中，上述根据上述第一表决结果与上述第二表决结果确定上述待表决议题的最终表决结果包括：
28.在上述第一表决结果与上述第二表决结果均满足预设条件的情况下，确定上述待表决议题的最终表决结果为通过。
29.根据本公开的实施例，其中，上述根据上述第一表决结果与上述第二表决结果确定上述待表决议题的最终表决结果还包括：
30.在上述第一表决结果与上述第二表决结果均不满足预设条件的情况下，确定上述待表决议题的最终表决结果为否决。
31.根据本公开的实施例，其中，上述根据上述第一表决结果与上述第二表决结果确定上述待表决议题的最终表决结果还包括：
32.在上述第一表决结果和上述第二表决结果中的一个表决结果不满足预设条件的情况下，确定上述待表决议题的最终表决结果为待定。
33.本公开的第二方面提供了一种投票结果处理装置，包括：
34.第一表决模块，用于根据一个或多个投票人针对待表决议题的第一投票结果，确定上述待表决议题的第一表决结果；
35.获取模块，用于获取每个上述投票人在对上述待表决议题进行表决的过程中的图像信息；
36.表情分类模块，用于将上述图像信息输入神经网络模型，输出上述投票人的表情类型；
37.第一确定模块，用于根据上述投票人的表情类型和上述第一投票结果确定上述投票人针对上述待表决议题的第二投票结果；
38.第二表决模块，用于根据一个或多个上述投票人的第二投票结果确定上述待表决议题的第二表决结果；以及
39.最终表决模块，用于根据上述第一表决结果与上述第二表决结果确定上述待表决议题的最终表决结果。
40.本公开的第三方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当上述一个或多个程序被上述一个或多个处理器执行时，使得一个或多个处理器执行上述投票结果处理方法。
41.本公开的第四方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述投票结果处理方法。
42.本公开的第五方面还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述投票结果处理方法。
43.根据本公开的实施例，因为采用了一种投票结果处理办法，包括：根据一个或多个投票人针对待表决议题的第一投票结果，确定待表决议题的第一表决结果；获取每个投票人在对待表决议题进行表决的过程中的图像信息；将图像信息输入神经网络模型，输出投票人的表情类型；根据投票人的表情类型和第一投票结果确定投票人针对待表决议题的第二投票结果；根据一个或多个投票人的第二投票结果确定待表决议题的第二表决结果；以及根据第一表决结果与第二表决结果确定待表决议题的最终表决结果。通过利用神经网络模型处理投票人在投票过程中的图像信息，可以确定投票人在投票时的表情类型，通过投票人的表情类型可以确定投票人在投票时的情感活动。根据投票人的表情类型和第一投票结果确定投票人针对待表决议题的第二投票结果，因此可以通过第二投票结果至少部分确定投票人针对待表决议题从内心中的认同程度。根据第一表决结果与第二表决结果确定待表决议题的最终表决结果，可以综合考虑投票人的第一表决结果和内心中对待表决议题的认同程度，并在综合考虑后确定最终表决结果，从而至少克服了相关技术中仅依据投票人的投票结果确定最终表决结果，无法较为真实的体现被表决议题的表决结果价值，导致最终表决结果缺乏可靠性的技术问题。
附图说明
44.通过以下参照附图对本公开实施例的描述，本公开的上述内容以及其他目的、特征和优点将更为清楚，在附图中：
45.图1示意性示出了根据本公开实施例的投票结果处理方法及装置的应用场景图；
46.图2示意性示出了根据本公开实施例的投票结果处理方法的流程图；
47.图3示意性示出了根据本公开实施例的确定投票人表情类型的流程图；
48.图4示意性示出了根据本公开实施例的根据投票人的表情类型和第一投票结果确定投票人针对待表决议题的第二投票结果的流程图；
49.图5示意性示出了根据本公开实施例的投票结果处理方法的应用场景图；
50.图6示意性示出了根据本公开实施例的投票结果处理装置的结构框图；
51.图7示意性示出了根据本公开实施例的适于实现投票结果处理方法的电子设备的方框图。
具体实施方式
52.以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性
的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
53.在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
54.在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
55.在使用类似于“a、b和c等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有a、b和c中至少一个的系统”应包括但不限于单独具有a、单独具有b、单独具有c、具有a和b、具有a和c、具有b和c、和/或具有a、b、c的系统等)。
56.相关技术中，重要事项或议题的决定通常采用投票表决的方法确定最终表决结果。现有技术中，通常仅统计投票结果为“同意”的票数，在“同意”票数超过预设数值时(例如为投票人数的二分之一)，确定最终表决结果为通过，否则确定最终表决结果为否决。
57.在实现本公开构思的过程中，发明人发现相关技术中至少存在如下问题：仅依据投票人的投票结果确定最终表决结果，无法较为真实的体现被表决议题的表决结果价值。同时由于忽略了投票人在投票过程中的情感活动，无法识别投票人对决定事项是否从内心中认同，此外仅依赖投票人的投票结果来确定最终表决结果，缺少对投票过程中信息的有效利用，例如，缺少针对投票人在对待表决议题进行表决的过程中内心活动的分析，从而无法真实体现针对待表决议题的表决结果，进而导致最终表决结果缺乏可靠性。
58.为至少部分地解决相关技术中存在的技术问题，本公开提供了一种提高表决结果可靠性的投票结果处理方法、装置、电子设备、介质和程序产品，可以应用于金融领域、人工智能领域或者计算机技术领域，例如在银行、保险等金融机构中，针对管理人员的任免，经营决策的决定等重要事项或议题的表决过程中，可以应用本公开提供的投票结果处理方法提高表决结果的可靠性。但不仅限于此，也可用于除金融领域、人工智能领域或者计算机技术领域之外的任意领域，本公开实施例提供的方法、装置、电子设备、介质和程序产品的应用领域不做限定。
59.在本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。
60.本公开的实施例提供了一种投票结果处理方法，包括：
61.根据一个或多个投票人针对待表决议题的第一投票结果，确定待表决议题的第一表决结果；获取每个投票人在对待表决议题进行表决的过程中的图像信息；将图像信息输入神经网络模型，输出投票人的表情类型；根据投票人的表情类型和第一投票结果确定投票人针对待表决议题的第二投票结果；根据一个或多个投票人的第二投票结果确定待表决议题的第二表决结果；以及根据第一表决结果与第二表决结果确定待表决议题的最终表决结果。
62.通过利用神经网络模型处理投票人在投票过程中的图像信息，可以确定投票人在投票时的表情类型，通过投票人的表情类型可以确定投票人在投票时的情感活动。根据投票人的表情类型和第一投票结果确定投票人针对待表决议题的第二投票结果，因此可以通过第二投票结果至少部分确定投票人针对待表决议题从内心中的认同程度。根据第一表决结果与第二表决结果确定待表决议题的最终表决结果，可以综合考虑投票人的第一表决结果和内心中对待表决议题的认同程度，并在综合考虑后确定最终表决结果，从而至少克服了相关技术中仅依据投票人的投票结果确定最终表决结果，无法较为真实的体现被表决议题的表决结果价值，导致最终表决结果缺乏可靠性的技术问题。通过确定投票人在投票时的表情类型，可以识别投票人对待表决议题的认同程度，因此可以解决相关技术中无法识别投票人在投票过程中情感活动的技术问题，进而达到提升针对待表决议题的最终表决结果的可靠性的技术效果。
63.图1示意性示出了根据本公开实施例的投票结果处理方法及装置的应用场景图。
64.如图1所示，根据该实施例的应用场景100可以包括终端设备101、102、摄像设备103、网络104、服务器105和投票人106a、106b、106bc、106d、106e、106f。网络104用以在终端设备101、102、摄像设备103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
65.投票人106a、106b、106bc、106d、106e、106f或其他用户可以使用终端设备101、102通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
66.终端设备101、102可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
67.服务器105可以是提供各种服务的服务器，例如对投票人106a、106b、106bc、106d、106e、106f或其他用户利用终端设备101、102所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的投票人106a、106b、106bc、106d、106e、106f或其他用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
68.摄像设备103可以是用于采集、存储、发送图像信息的各种电子设备，包括但不限于摄像机，摄像设备103还可以是集成了摄像装置的电子设备，例如安装有摄像装置的智能手机、平板电脑等。进一步地，摄像设备103还可以集成在终端设备101、102上。
69.摄像设备103可以用于获取投票人106a、106b、106bc、106d、106e、106f的图像信息，并可以将图像信息直接发送至终端设备101、102，或者还可以将图像信息通过网络104发送至终端设备101、102和服务器105。
70.需要说明的是，本公开实施例所提供的投票结果处理方法一般可以由服务器105执行。相应地，本公开实施例所提供的投票结果处理装置一般可以设置于服务器105中。本公开实施例所提供的投票结果处理方法也可以由不同于服务器105且能够与终端设备101、102和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的投票结果处理装置也可以设置于不同于服务器105且能够与终端设备101、102和/或服务器105通信的服务器或服务器集群中。
71.应该理解，图1中的终端设备、网络、服务器、摄像装置和投票人的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络、服务器、摄像装置和投票人。
72.以下将基于图1描述的场景，通过图2～图5对公开实施例的投票结果处理方法进行详细描述。
73.图2示意性示出了根据本公开实施例的投票结果处理方法的流程图。
74.如图2所示，该实施例的投票结果处理方法包括操作s210～操作s260。
75.在操作s210，根据一个或多个投票人针对待表决议题的第一投票结果，确定待表决议题的第一表决结果。
76.根据本公开的实施例，投票人可以是针对待表决议题具有投票资格，且可以履行投票权的人，例如具有投票资格的董事会成员等。但不仅限于此，还可以是在相关法律、法规或规范的允许范围内，可以履行投票权的人，例如根据相关规定，接受董事会成员委托履行投票权的人。
77.根据本公开的实施例，第一投票结果可以是投票人履行投票权产生的结果，例如投票人行使投票权产生的结果可以是：同意、反对或弃权中的任一项。但不仅限于此，第一投票结果还可以以其他的形式呈现，例如可以是以数值的方式呈现，本领域技术人员可以根据实际需求进行设计。
78.根据本公开的实施例，可以通过统计所有投票人的第一投票结果来确定待表决议题的第一表决结果，例如统计所有投票人的第一投票结果中，第一投票结果为“同意”的数量。在第一投票结果为“同意”的数量大于或等于第一预设投票阈值的情况下，可以确定第一表决结果为通过。
79.应该理解的是，本公开的实施例对第一预设投票阈值不做限定，本领域技术人员可以根据实际需求进行设计。例如针对待表决议题的投票表决中，有n个投票人可以履行投票权，可以将第一预设投票阈值设置为n/2，但不仅限于此，还可以设置为2n/3，本领域技术人员可以根据实际需求进行设计。
80.在操作s220，获取每个投票人在对待表决议题进行表决的过程中的图像信息。
81.根据本公开的实施例，可以通过摄像装置获取每个投票人在对待表决议题进行表决的过程中的图像信息，例如摄像机，数码照相机，但不仅限于此，还可以是其他可以获取图像信息的装置或器材。
82.根据本公开的实施例，图像信息可以是图片，例如投票人在进行表决的过程中的照片，但不仅限于此，还可以是视频信息。
83.在操作s230，将图像信息输入神经网络模型，输出投票人的表情类型。
84.根据本公开的实施例，神经网络模型可以是经过训练后的神经网络模型，例如经过训练后的循环神经网络(rnn)，或者还可以是基于卷积神经网络构建的神经网络模型。
85.根据本公开的实施例，表情类型可以是投票人的面部表情类型，该面部表情类型可以是积极表情，积极表情可以是体现投票人积极心态的表情类型，例如高兴、惊喜。但不仅限于此，该面部表情类型还可以是消极表情，消极表情可以是体现投票人消极心态的表情类型，例如沮丧、伤心、恐惧。本领域技术人员可以根据实际需求确定所需获取的投票人的表情类型。
86.根据本公开的实施例，投票人的表情类型可以是投票人微表情的类型。相关技术
中，微表情是指持续时间短，且难以被普通人直接观察到的表情类型，微表情的持续时间例如可以为1/10秒。利用神经网络模型识别图像信息中投票人的表情类型，可以克服表情类型难以被直接观察到的技术问题，提高表情类型识别的效率和准确率。
87.在操作s240，根据投票人的表情类型和第一投票结果确定投票人针对待表决议题的第二投票结果。
88.根据本公开的实施例，第二投票结果可以是表情类型与第一投票结果的组合，例如第二投票结果可以是“积极表情、同意”，或者“消极表情、同意”。但不仅限于此，还可以是以数值的方式呈现第二投票结果，例如，投票人的第一投票结果是“同意”，且投票人的表情类型是“消极表情”，则可以将“同意”以数值1表示，将“消极表情”以数值0.5表示，第二投票结果可以表示为1*0.5＝0.5。
89.在操作250，根据一个或多个投票人的第二投票结果确定待表决议题的第二表决结果。
90.根据本公开的实施例，可以通过统计所有投票人的第二投票结果来确定待表决议题的第二表决结果，例如可以统计第二投票结果为“积极表情、同意”的数量，在第二投票结果为“积极表情、同意”的数量大于或等于第二预设投票阈值的情况下，可以确定第二表决结果为通过。但不仅限于此，还可以通过统计第二投票结果为“消极表情、反对”的数量，确定第二表决结果。
91.根据本公开的实施例，在第二投票结果以数值方式呈现的情况下，同样可以通过统计所有投票人的第二投票结果来确定待表决议题的第二表决结果，例如在所有投票人的第二投票结果大于或等于第二预设投票阈值的情况下，可以确定第二表决结果为通过。
92.应该理解的是，第一预设投票阈值与第二预设投票阈值可以相同，也可以不同，本领域技术人员可以根据实际需求对一预设投票阈值与第二预设投票阈值进行设计。
93.在操作260，根据第一表决结果与第二表决结果确定待表决议题的最终表决结果。
94.根据本公开的实施例，可以将第一表决结果与第二表决结果相比较，产生比较结果，根据比较结果确定最终表决结果。
95.通过利用神经网络模型处理投票人在投票过程中的图像信息，可以确定投票人在投票时的表情类型，通过投票人的表情类型可以确定投票人在投票时的情感活动。根据投票人的表情类型和第一投票结果确定投票人针对待表决议题的第二投票结果，因此可以通过第二投票结果至少部分确定投票人针对待表决议题从内心中的认同程度。根据第一表决结果与第二表决结果确定待表决议题的最终表决结果，可以综合考虑投票人的第一表决结果和内心中对待表决议题的认同程度，并在综合考虑后确定最终表决结果，从而至少克服了相关技术中仅依据投票人的投票结果确定最终表决结果，无法较为真实的体现被表决议题的表决结果价值，导致最终表决结果缺乏可靠性的技术问题。
96.根据本公开的实施例，神经网络模型可以包括：卷积神经网络、循环神经网络或长短期记忆神经网络中的任一种或多种的组合。
97.例如，可以通过卷积神经网络提取图像信息中的表情特征，得到表情特征数据，并基于表情特征数据生成表情类型。
98.需要说明的是，本领域技术人员可以根据实际需求设计神经网络模型的具体结构，本公开的实施例对神经网络模型的具体结构不做限定，只要满足能够确定图像信息中
投票人的表情类型即可。
99.根据本公开的实施例，图像信息包括视频信息；神经网络模型可以包括第一神经网络与第二神经网络。
100.将图像信息输入神经网络模型，输出投票人的表情类型包括：
101.对视频信息进行预处理，得到多帧图像；其中，多帧图像在时间上是连续的；利用第一神经网络提取多帧图像的图像特征，得到图像特征数据；利用第二神经网络处理图像特征数据，输出投票人的表情类型。
102.图3示意性示出了根据本公开实施例的确定投票人表情类型的流程图。
103.如图3所示，视频信息310经过预处理单元320的预处理后，得到时间上连续的多帧图像330。利用神经网络模型340中的第一神经网络341提取多帧图像330中的图像特征，得到图像特征数据342，利用第二神经网络343处理图像特征数据342，并输出投票人的表情类型350。
104.根据本公开的实施例，第一神经网络可以是卷积神经网络(cnn)，但不仅限于此，还可以是其他可以用于提取图像特征的神经网络，例如循环神经网络(rnn)或者长短期记忆网络(lstm)，本公开的实施例对第一神经网络的具体结构类型不做限定。
105.根据本公开的实施例，第二神经网络可以是长短期记忆网络(lstm)，但不仅限于此，还可以是其他神经网络，例如循环神经网络(rnn)，只要能够满足基于图像特征信息输出表情类型即可，本公开的实施例对第二神经网络的具体结构类型不做限定。
106.图4示意性示出了根据本公开实施例的根据投票人的表情类型和第一投票结果确定投票人针对待表决议题的第二投票结果的流程图。
107.根据本公开的实施例，如图4所示，该实施例的根据投票人的表情类型和第一投票结果确定投票人针对待表决议题的第二投票结果包括操作s410～操作s440。
108.在操作s410，将第一投票结果进行量化，确定第一单位投票值。
109.根据本公开的实施例，第一单位投票值可以是将第一投票结果以数值方式呈现的结果，例如在第一投票结果是“同意”时，可以确定第一单位投票值数值1，即将“同意”量化为数值1。相应地，还可以将“反对”和“弃权”量化为数值0，即“反对”和“弃权”的第一单位投票值可以是0。
110.需要说明的是，在确定第一单位投票值的情况下，可以通过统计所有第一单位投票值来确定第一表决结果，例如投票人的人数为9人，可以将第一预设投票阈值设置为6，在所有第一单位投票值之和大于或等于第一预设投票阈值的情况下，可以确定第一表决结果为通过。
111.应该理解的是，本领域技术人员可以根据实际需求设计第一投票结果的具体量化方式，本公开的实施例对此不做限定。
112.在操作s420，根据投票人的表情类型和第一投票结果确定投票人的投票权重系数。
113.根据本公开的实施例，可以确定不同的表情类型和第一投票结果的组合，针对不同的组合确定不同的投票权重系数，例如在投票人a的表情类型为积极表情，且投票人a的第一投票结果为“同意”的情况下，可以确定投票人a表情类型和第一投票结果的组合为“积极表情+同意”，并可以确定投票人a的投票权重系数是数值a。但不仅限于此，还可以根据投
票人的表情类型直接确定投票人的投票权重系数。
114.根据本公开的实施例，投票人的表情类型可以包括积极表情与消极表情，但不仅限于此，表情类型还可以包括高兴、惊恐、沮丧、愤怒、本领域技术人员可以根据实际需求设计表情类型包含的具体内容，只要能够满足反映投票人在投票过程中的情感活动即可。
115.在操作s430，基于投票人的投票权重系数与投票人的第一单位投票值确定投票人的第二单位投票值。
116.根据本公开的实施例，可以通过投票权重系数与第一单位投票值的数学运算结果确定第二单位投票值，例如第二单位投票值可以是投票权重系数与第一单位投票值的乘积，或者还可以是投票权重系数与第一单位投票值之和，本领域技术人员可以根据实际需求设计。
117.在操作s440，基于投票人的第二单位投票值确定投票人针对待表决议题的第二投票结果。
118.根据本公开的实施例，可以通过投票人的第二单位投票值表示投票人针对待表决议题的第二投票结果。
119.需要说明的是，在确定第二单位投票值的情况下，可以通过统计所有第二单位投票值来确定第二表决结果，例如投票人的人数为9人，可以将第二预设投票阈值设置为6，在所有第二单位投票值的和为数值6的情况下，可以确定第二表决结果为通过。
120.根据本公开的实施例，由于根据投票人的表情类型和第一投票结果确定投票人的投票权重系数，因此投票权重系数可以反映投票人内心中对待决定议题的真实态度。基于投票人的投票权重系数与投票人的第一单位投票值确定投票人的第二单位投票值，并通过第二单位投票值表示投票人针对待表决议题的第二投票结果，可以将投票人内心中对待决定议题的真实态度进一步量化，从而可以实现通过第二单位投票值量化投票人内心中对待决定议题的真实态度，提高对投票人在投票过程中情感活动的认知程度，进而可以达到识别投票人内心中对决定议题真实态度的技术效果。
121.根据本公开的实施例，表情类型包括第一表情类或第二表情类；其中，第一表情类所表示的情感与第二表情类所表示的情感相反。
122.根据投票人的表情类型和第一投票结果确定投票人的投票权重系数包括：
123.在投票人的表情类型为第一表情类的情况下，确定投票人的投票权重系数为第一权重系数；在投票人的表情类型为第二表情类型的情况下，确定投票人的权重系数为第二权重系数；其中，第一权重系数大于第二权重系数。
124.根据本公开的实施例，第一表情类可以包括积极表情，第二表情类可以包括消极表情。在投票人的表情类型为积极表情的情况下，可以确定第一权重系数为a，在投票人的表情类型为消极表情的情况下，可以确定第二权重系数为b，且a＞b。
125.由于积极表情可以体现投票人的积极心态，消极表情可以体现投票人的消极心态，因而在投票过程中具有积极表情的投票人内心中对第一投票结果认可程度较高。相应地，在投票过程中具有积极表情的投票人内心中对第一投票结果认可程度较低。因此通过设定第一权重系数为a与第二权重系数为b的大小，可以至少部分反映投票人内心中对第一投票结果的认可程度，从而实现将投票人内心中对待决定议题的真实态度量化的技术效果。
126.需要说明的是，第一表情类与第二表情类还可以设定为其他的表情类型，例如可以将第一表情类设定为“高兴”，将第二表情类设定为“沮丧”，本领域技术人员可以根据实际情况与实际应用场景设定不同的第一表情类与第二表情类，只要能够满足反映投票人内心中对第一投票结果的认可程度即可。
127.根据本公开的实施例，根据第一表决结果与第二表决结果确定待表决议题的最终表决结果包括：
128.在第一表决结果与第二表决结果均满足预设条件的情况下，确定待表决议题的最终表决结果为通过。
129.根据本公开的实施例，根据第一表决结果与第二表决结果确定待表决议题的最终表决结果还包括：
130.在第一表决结果与第二表决结果均不满足预设条件的情况下，确定待表决议题的最终表决结果为否决。
131.根据本公开的实施例，预设条件可以是表决结果的具体表现形式，例如预设条件可以是表决结果为通过。因此在第一表决结果与第二表决结果均为通过的情况下，可以确定待表决议题的最终表决结果为通过。相应地，在第一表决结果与第二表决结果均不是通过的情况下，可以确定待表决议题的最终表决结果为否决。
132.根据本公开的实施例，分别就第一表决结果与第二表决结果是否满足预设条件进行判断，并在判断结果一致的情况下确定待表决议题的最终表决结果，可以综合考虑投票人内心中对待表决议题真实态度，并在此基础上确定最终表决结果。解决了相关技术中仅仅根据第一表决结果确定最终表决结果，而忽略投票人内心中对待表决议题真实态度的技术问题，提升了最终表决结果的可靠性。
133.根据本公开的实施例，根据第一表决结果与第二表决结果确定待表决议题的最终表决结果还包括：
134.在第一表决结果和第二表决结果中的一个表决结果不满足预设条件的情况下，确定待表决议题的最终表决结果为待定。
135.根据本公开的实施例，相关技术中，由于待表决议题的重要程度较高，或者需要在限定时间内确定待表决议题通过，因此可以在第一表决结果和第二表决结果中的一个表决结果不满足预设条件的情况下，确定待表决议题的最终表决结果为待定，而不需要确定待表决议题的最终表决结果为否决。在确定待表决议题的最终表决结果为待定的情况下，可以通过面谈等方式了解投票人的真实态度，进一步修改待表决议题的具体内容，并针对修改后的待表决议题重新进行投票表决，以提升投票人对待表决议题的认同程度，缩短确定待表决议题通过的时间周期长度，并提升最终表决结果的可靠性。
136.图5示意性示出了根据本公开实施例的投票结果处理方法的应用场景图。
137.如图5所示，针对待表决议题，有9个投票人参与投票表决，分别是投票人501、投票人502直至投票人509。获取投票人的第一投票结果520，并将第一投票结果统计至表1中。然后获取投票人在针对待表决议题的投票过程中的图像信息，将图像信息输入神经网络模型，输出投票人的表情类型530，并将每个投票人的表情类型统计至表1中。
138.将投票人的第一投票结果520量化为第一单位投票值540，其中，每个投票人的第一单位投票值可以设定为p
i
，即在本实施例中，投票人501的第一单位投票值为p1，投票人
502的第一单位投票值为p2，相应地，投票人509的第一单位投票值为p9。在第一投票结果为“同意”的情况下，确定第一单位投票值p
i
＝1；在第一投票结果为“反对”的情况下，确定第一单位投票值p
i
＝0。因此，可以确定p1＝1、p2＝1、......p9＝0，并将p1至p9的数值统计至表1中。
139.根据投票人的第一投票结果和投票人的表情类型确定投票人的投票权重系数λ
i
。在本实施例中，在投票人的第一投票结果为“同意”，且投票人的表情类型为“高兴”的情况下，确定λ
i
＝1；在投票人的第一投票结果为“同意”，且投票人的表情类型为“沮丧”的情况下，确定λ
i
＝0.5。
140.需要说明的是，在本实施例中，由于在投票人的第一投票结果为“反对”的情况下，第一单位投票值p
i
＝0，因此在投票人的第一投票结果为“反对”的情况下，可以确定投票人的投票权重系数λ
i
＝0。因此可以将λ1至λ9的数值统计至表1中。
141.基于投票人的投票权重系数λ
i
与投票人的第一单位投票值p
i
确定投票人的第二单位投票值550，其中，每个投票人的第二单位投票值可以设定为q
i
，即在本实施例中，投票人501的第二单位投票值为q1，投票人502的第二单位投票值为q2，相应地，投票人509的第二单位投票值为q9。第二单位投票值q
i
＝p
i
*λ
i
，因此，可以确定q1＝1、q2＝1、......q9＝0，并将q1至q9的数值统计至表1中。
142.统计第一单位投票值之和t1，在本实施例中，t1可以通过公式(1)确定。
[0143][0144]
统计第二单位投票值之和t2，在本实施例中，t2可以通过公式(2)确定。
[0145][0146]
通过计算可知，在本实施例中，t1＝7，t2＝6。
[0147]
在本实施例中，由于投票人的人数为9人，因此可以将第一预设投票阈值和第二预设投票阈值均设置为6。由于第一单位投票值之和t1＞6，满足，所有第一单位投票值之和大于或等于第一预设投票阈值的情况，因此第一表决结果为通过。相应地，由于第二单位投票值之和t2＝6，满足所有投票人的第二投票结果等于第二预设投票阈值的情况，因此第二表决结果为通过。
[0148]
在本实施例中，预设条件可以设定为表决结果为通过。因此，在第一表决结果和第二表决结果均为通过的情况下，可以确定最终表决结果为通过。
[0149]
表1 投票结果处理数据统计表
[0150][0151]
基于上述投票结果处理方法，本公开还提供了一种投票结果处理装置。以下将结合图6对该装置进行详细描述。
[0152]
图6示意性示出了根据本公开实施例的投票结果处理装置的结构框图。
[0153]
如图6所示，该实施例的投票结果处理装置600包括第一表决模块610、获取模块620、表情分类模块630、第一确定模块640、第二表决模块650和最终表决模块660。
[0154]
第一表决模块610用于根据一个或多个投票人针对待表决议题的第一投票结果，确定待表决议题的第一表决结果。
[0155]
获取模块620用于获取每个投票人在对待表决议题进行表决的过程中的图像信息。
[0156]
表情分类模块630用于将图像信息输入神经网络模型，输出投票人的表情类型。
[0157]
第一确定模块640用于根据投票人的表情类型和第一投票结果确定投票人针对待表决议题的第二投票结果。
[0158]
第二表决模块650用于根据一个或多个投票人的第二投票结果确定待表决议题的第二表决结果。
[0159]
最终表决模块660用于根据第一表决结果与第二表决结果确定待表决议题的最终表决结果。
[0160]
根据本公开的实施例，第一确定模块640可以包括：量化单元、第一确定单元、第二确定单元和第三确定单元。
[0161]
量化单元用于将第一投票结果进行量化，确定第一单位投票值。
[0162]
第一确定单元用于根据投票人的表情类型和第一投票结果确定投票人的投票权重系数。
[0163]
第二确定单元用于基于投票人的投票权重系数与投票人的第一单位投票值确定投票人的第二单位投票值。
[0164]
第三确定单元用于基于投票人的第二单位投票值确定投票人针对待表决议题的第二投票结果。
[0165]
根据本公开的实施例，表情类型包括第一表情类或第二表情类；其中，第一表情类所表示的情感与第二表情类所表示的情感相反。
[0166]
第一确定单元可以包括：第一确定子单元与第二确定子单元。
[0167]
第一确定子单元用于在投票人的表情类型为第一表情类的情况下，确定投票人的投票权重系数为第一权重系数。
[0168]
第二确定子单元用于在投票人的表情类型为第二表情类型的情况下，确定投票人的权重系数为第二权重系数。其中，第一权重系数大于第二权重系数。
[0169]
根据本公开的实施例，其中，图像信息包括视频信息；神经网络模型包括第一神经网络与第二神经网络。
[0170]
表情分类模块可以包括：预处理单元、特征提取单元和表情分类单元。
[0171]
预处理单元用于对视频信息进行预处理，得到多帧图像；其中，多帧图像在时间上是连续的。
[0172]
特征提取单元用于利用第一神经网络提取多帧图像的图像特征，得到图像特征数据。
[0173]
表情分类单元用于利用第二神经网络处理图像特征数据，输出投票人的表情类型。
[0174]
根据本公开的实施例，最终表决模块包括第一最终表决单元。
[0175]
第一最终表决单元用于在第一表决结果与第二表决结果均满足预设条件的情况下，确定待表决议题的最终表决结果为通过。
[0176]
根据本公开的实施例，最终表决模块还包括第二最终表决单元。
[0177]
第二最终表决单元用于在第一表决结果与第二表决结果均不满足预设条件的情况下，确定待表决议题的最终表决结果为否决。
[0178]
根据本公开的实施例，最终表决模块还包括第三最终表决单元。
[0179]
第三最终表决单元用于在第一表决结果和第二表决结果中的一个表决结果不满足预设条件的情况下，确定待表决议题的最终表决结果为待定。
[0180]
根据本公开的实施例，第一表决模块610、获取模块620、表情分类模块630、第一确
定模块640、第二表决模块650和最终表决模块660中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例第一表决模块610、获取模块620、表情分类模块630、第一确定模块640、第二表决模块650和最终表决模块660中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(fpga)、可编程逻辑阵列(pla)、片上系统、基板上的系统、封装上的系统、专用集成电路(asic)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，第一表决模块610、获取模块620、表情分类模块630、第一确定模块640、第二表决模块650和最终表决模块660中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
[0181]
图7示意性示出了根据本公开实施例的适于实现投票结果处理方法的电子设备的方框图。
[0182]
如图7所示，根据本公开实施例的电子设备700包括处理器701，其可以根据存储在只读存储器(rom)702中的程序或者从存储部分708加载到随机访问存储器(ram)703中的程序而执行各种适当的动作和处理。处理器701例如可以包括通用微处理器(例如cpu)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(asic))等等。处理器701还可以包括用于缓存用途的板载存储器。处理器701可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
[0183]
在ram 703中，存储有电子设备700操作所需的各种程序和数据。处理器701、rom 702以及ram 703通过总线704彼此相连。处理器701通过执行rom 702和/或ram 703中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，程序也可以存储在除rom 702和ram 703以外的一个或多个存储器中。处理器701也可以通过执行存储在一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
[0184]
根据本公开的实施例，电子设备700还可以包括输入/输出(i/o)接口705，输入/输出(i/o)接口705也连接至总线704。电子设备700还可以包括连接至i/o接口705的以下部件中的一项或多项：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至i/o接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。
[0185]
本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。
[0186]
根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、便携式紧凑磁盘只读存储器(cd
‑
rom)、光
存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的rom 702和/或ram 703和/或rom 702和ram 703以外的一个或多个存储器。
[0187]
本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例所提供的投票结果处理方法。
[0188]
在该计算机程序被处理器701执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
[0189]
在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分709被下载和安装，和/或从可拆卸介质711被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
[0190]
在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被处理器701执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
[0191]
根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如java，c++，python，“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
[0192]
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0193]
本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可
以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
[0194]
以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。