一种情绪分析方法、装置、设备及存储介质与流程

本发明涉及人工智能领域，尤其涉及一种情绪分析方法、装置、设备及存储介质。

背景技术：

1、情绪还没有明确的物理定义，因此情绪识别只是将特定的生理信息进行归类并匹配到人们共识的情绪词汇的过程。在这种框架下，非接触式心理情绪识别的主流技术是微表情识别，通过视频捕捉脸部特征点的图谱变化与保罗艾克曼的facs表情库进行比对的方式检测人的情绪。各种多媒体技术广泛普及的文化背景下，大多数情绪词汇与表情相关度较高，容易得到共识。

2、采集的生理信息是人脸表情，容易受到人为控制。微表情识别技术单纯判断情绪的存在与否，不能判断情绪的高低程度。艾克曼建立情绪表情库时采集人脸的方法是看图选择对应情绪词汇的方式，存在文化背景的偏差和主观判断误差。看图选词的准确率在欧美文化圈中85%，其他文化圈中仅为58%。情绪是一种心理生理的综合体，微表情技术没有明确的生理机制的支撑。elsys的帧差形式计算头部运动的算法中，对帧差没有区分。像素值发生改变包括运动、边缘光衍射、系统采集误差，因此检测结果受环境影响比较大。elsys系统对情绪的解析是基于传统的情绪行为模式，这种情绪指纹的理论，目前已经被很多大脑研究成果所证伪。

技术实现思路

1、本发明提供了一种情绪分析方法、装置、设备及存储介质，用于提高情绪识别的准确率。

2、本发明第一方面提供了一种情绪分析方法，所述情绪分析方法包括：

3、采集用户的目标视频，并提取所述目标视频中的连续 n帧；

4、根据所述目标视频中的连续 n帧，分别计算累计帧差 a n以及累计次数 c n；

5、遍历所述累计次数 c n，并将累计次数相同的累计帧差 a n进行叠加，得到评估函数 e( c)，其中， c为累计次数；

6、根据所述评估函数 e( c)，对所述用户进行情绪解析，得到情绪解析结果，其中，所述情绪解析结果包括：稳定或者过激。

7、结合第一方面，在本发明第一方面的第一实施方式中，所述累计帧差 a n的计算公式为：

8、；

9、其中， p i是第 i帧灰度图， n是总采样帧数。

10、结合第一方面，在本发明第一方面的第二实施方式中，所述累计次数 c n的计算公式为：

11、；

12、其中，， u i( x, y)为第 i帧的 x， y坐标像素灰度值， k为常数， k根据光干扰程度设置为0。

13、结合第一方面，在本发明第一方面的第三实施方式中，所述评估函数 e( c)的计算公式为：

14、；

15、其中， c为累计次数， c取值为1～ n，计算 e( c)生成histogram频数分布图。

16、结合第一方面，在本发明第一方面的第四实施方式中，所述根据所述评估函数 e( c)，对所述用户进行情绪解析，得到情绪解析结果，其中，所述情绪解析结果包括：稳定或者过激，包括：

17、根据所述评估函数 e( c)，对所述用户进行情绪解析；

18、当＞0.6时，输出情绪解析结果为稳定，其中， c e是 e为最大值的变化次数，总变化量中峰值聚焦度越高稳定性越高；

19、当＞0.7时，输出情绪解析结果为过激，其中， c e是最高的变化次数，即 e的峰值到最大频率区间的 e值在总变化量中高于0.7是处于过激的状态。

20、本发明第二方面提供了一种情绪分析装置，所述情绪分析装置包括：

21、采集模块，用于采集用户的目标视频，并提取所述目标视频中的连续 n帧；

22、计算模块，用于根据所述目标视频中的连续 n帧，分别计算累计帧差 a n以及累计次数 c n；

23、遍历模块，用于遍历所述累计次数 c n，并将累计次数相同的累计帧差 a n进行叠加，得到评估函数 e( c)，其中， c为累计次数；

24、解析模块，用于根据所述评估函数 e( c)，对所述用户进行情绪解析，得到情绪解析结果，其中，所述情绪解析结果包括：稳定或者过激。

25、结合第二方面，在本发明第二方面的第一实施方式中，所述解析模块具体用于：

26、根据所述评估函数 e( c)，对所述用户进行情绪解析；

27、当＞0.6时，输出情绪解析结果为稳定，其中， c e是 e为最大值的变化次数，总变化量中峰值聚焦度越高稳定性越高；

28、当＞0.7时，输出情绪解析结果为过激，其中， c e是最高的变化次数，即 e的峰值到最大频率区间的 e值在总变化量中高于0.7是处于过激的状态。

29、本发明第三方面提供了一种情绪分析设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述情绪分析设备执行上述的情绪分析方法。

30、本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的情绪分析方法。

31、本发明提供的技术方案中，通过采集用户的目标视频，并提取所述目标视频中的连续 n帧；根据所述目标视频中的连续 n帧，分别计算累计帧差 a n以及累计次数 c n；遍历所述累计次数 c n，并将累计次数相同的累计帧差 a n进行叠加，得到评估函数 e( c)，其中， c为累计次数；根据所述评估函数 e( c)，对所述用户进行情绪解析，得到情绪解析结果，其中，所述情绪解析结果包括：稳定或者过激，本发明基于大脑内环境理论的情绪识别算法计算量小，满足实时性强，可适用于所有脊椎动物的情绪波动检测，检测结果与实际的物理运动对应，有明确的生理解析，因此很容易以通过心电、脑电等医疗设备的结果比对，对情绪状态的解析更加清晰客观，并且通过实际物理量计算情绪状态，因此无需庞大的样本采集和特征提取和匹配的过程，进而提高了情绪识别的准确率。