CN110166836A - 一种电视节目切换方法、装置、可读存储介质及终端设备 - Google Patents
一种电视节目切换方法、装置、可读存储介质及终端设备 Download PDFInfo
- Publication number
- CN110166836A CN110166836A CN201910294866.0A CN201910294866A CN110166836A CN 110166836 A CN110166836 A CN 110166836A CN 201910294866 A CN201910294866 A CN 201910294866A CN 110166836 A CN110166836 A CN 110166836A
- Authority
- CN
- China
- Prior art keywords
- programme
- vector
- program
- mood
- mood grade
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000036651 mood Effects 0.000 claims abstract description 152
- 239000013598 vector Substances 0.000 claims abstract description 145
- 230000001815 facial effect Effects 0.000 claims abstract description 34
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 239000000284 extract Substances 0.000 claims abstract description 10
- 238000003848 UV Light-Curing Methods 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 7
- 230000008921 facial expression Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000005611 electricity Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 208000003443 Unconsciousness Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 210000004709 eyebrow Anatomy 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/174—Facial expression recognition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/41—Structure of client; Structure of client peripherals
- H04N21/422—Input-only peripherals, i.e. input devices connected to specially adapted client devices, e.g. global positioning system [GPS]
- H04N21/4223—Cameras
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
- H04N21/438—Interfacing the downstream path of the transmission network originating from a server, e.g. retrieving encoded video stream packets from an IP network
- H04N21/4383—Accessing a communication channel
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
- H04N21/442—Monitoring of processes or resources, e.g. detecting the failure of a recording device, monitoring the downstream bandwidth, the number of times a movie has been viewed, the storage space available from the internal hard disk
- H04N21/44213—Monitoring of end-user related data
- H04N21/44218—Detecting physical presence or behaviour of the user, e.g. using sensors to detect if the user is leaving the room or changes his face expression during a TV program
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Theoretical Computer Science (AREA)
- Social Psychology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Networks & Wireless Communication (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明属于计算机技术领域,尤其涉及一种电视节目切换方法、装置、计算机可读存储介质及终端设备。所述方法通过预设的摄像头采集用户在观看电视节目时的人脸图像,并提取所述人脸图像中的表情特征向量;从预设的参照样本集合中分别提取各个情绪等级的参照样本向量;分别计算所述表情特征向量与各个情绪等级的参照样本向量之间的平均距离;选取与所述表情特征向量的平均距离最小的情绪等级作为优选情绪等级,并根据所述优选情绪等级计算所述电视节目的综合评分;若所述电视节目的综合评分小于预设的评分阈值,则对所述电视节目进行切换。整个过程完全自动进行,无需用户频繁地操作遥控器即可智能地进行电视节目切换,大大提升了用户的使用体验。
Description
技术领域
本发明属于计算机技术领域,尤其涉及一种电视节目切换方法、装置、计算机可读存储介质及终端设备。
背景技术
随着电子技术的发展,智能电视已经广泛地出现在人们的生活中,各种各样的电视节目也随之出现。在实际生活中,用户常常需要在多个电视节目中选择自己喜欢的电视节目,一般地,用户会一边看着电视节目,一边手持着电视遥控器,当看了一段时间的某一电视节目,觉得不合自己的心意时,便会操作遥控器切换电视节目,直至找到自己喜欢的电视节目为止。这样的方式需要用户频繁地操作遥控器进行电视节目切换,用户体验极差。
发明内容
有鉴于此,本发明实施例提供了一种电视节目切换方法、装置、计算机可读存储介质及终端设备,以解决用户选择电视节目时需要频繁地操作遥控器进行电视节目切换,用户体验极差的问题。
本发明实施例的第一方面提供了一种电视节目切换方法,可以包括:
通过预设的摄像头采集用户在观看电视节目时的人脸图像,并提取所述人脸图像中的表情特征向量;
从预设的参照样本集合中分别提取各个情绪等级的参照样本向量;
分别计算所述表情特征向量与各个情绪等级的参照样本向量之间的平均距离;
选取与所述表情特征向量的平均距离最小的情绪等级作为优选情绪等级,并根据所述优选情绪等级计算所述电视节目的综合评分;
若所述电视节目的综合评分小于预设的评分阈值,则对所述电视节目进行切换。
本发明实施例的第二方面提供了一种电视节目切换装置,可以包括:
人脸图像采集模块,用于通过预设的摄像头采集用户在观看电视节目时的人脸图像;
表情特征向量提取模块,用于提取所述人脸图像中的表情特征向量;
参照样本向量提取模块,用于从预设的参照样本集合中分别提取各个情绪等级的参照样本向量;
样本距离计算模块,用于分别计算所述表情特征向量与各个情绪等级的参照样本向量之间的平均距离;
情绪等级确定模块,用于选取与所述表情特征向量的平均距离最小的情绪等级作为优选情绪等级;
综合评分计算模块,用于根据所述优选情绪等级计算所述电视节目的综合评分;
电视节目切换模块,用于若所述电视节目的综合评分小于预设的评分阈值,则对所述电视节目进行切换。
本发明实施例的第三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存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如下步骤:
通过预设的摄像头采集用户在观看电视节目时的人脸图像,并提取所述人脸图像中的表情特征向量;
从预设的参照样本集合中分别提取各个情绪等级的参照样本向量;
分别计算所述表情特征向量与各个情绪等级的参照样本向量之间的平均距离;
选取与所述表情特征向量的平均距离最小的情绪等级作为优选情绪等级,并根据所述优选情绪等级计算所述电视节目的综合评分;
若所述电视节目的综合评分小于预设的评分阈值,则对所述电视节目进行切换。
本发明实施例的第四方面提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令,所述处理器执行所述计算机可读指令时实现如下步骤:
通过预设的摄像头采集用户在观看电视节目时的人脸图像,并提取所述人脸图像中的表情特征向量;
从预设的参照样本集合中分别提取各个情绪等级的参照样本向量;
分别计算所述表情特征向量与各个情绪等级的参照样本向量之间的平均距离;
选取与所述表情特征向量的平均距离最小的情绪等级作为优选情绪等级,并根据所述优选情绪等级计算所述电视节目的综合评分;
若所述电视节目的综合评分小于预设的评分阈值,则对所述电视节目进行切换。
本发明实施例与现有技术相比存在的有益效果是:本发明实施例首先通过预设的摄像头采集用户在观看电视节目时的人脸图像,并提取所述人脸图像中的表情特征向量,然后从预设的参照样本集合中分别提取各个情绪等级的参照样本向量,分别计算所述表情特征向量与各个情绪等级的参照样本向量之间的平均距离,再选取与所述表情特征向量的平均距离最小的情绪等级作为优选情绪等级,由于用户观看电视节目时,其表情的变化情况往往反映出了其对电视节目的喜恶,例如,当用户观看到自己比较喜欢的电视节目时,其表情的情绪往往较为强烈,即具有较高的情绪等级,而当用户观看到自己不喜欢的电视节目时,往往会面无表情,即具有较低的情绪等级,因此可以根据用户表情的情绪等级来计算电视节目的综合评分,若某一电视节目的综合评分小于预设的评分阈值,则说明用户对该电视节目并无兴趣,此时则可自动对所述电视节目进行切换。整个过程完全自动进行,无需用户频繁地操作遥控器即可智能地进行电视节目切换,大大提升了用户的使用体验。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例中一种电视节目切换方法的一个实施例流程图;
图2为人脸图像中的各个特征距离的示意图;
图3为参照样本集合的设置过程的示意流程图;
图4为选取进行电视节目切换时的优选电视节目的示意流程图;
图5为本发明实施例中一种电视节目切换装置的一个实施例结构图;
图6为本发明实施例中一种终端设备的示意框图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1,本发明实施例中一种电视节目切换方法的一个实施例可以包括:
步骤S101、通过预设的摄像头采集用户在观看电视节目时的人脸图像。
本实施例中可以通过智能电视内置的摄像头采集图像,也可以通过与智能电视建立有数据连接的其它智能设备的摄像头或者独立摄像头采集图像,并将采集到的图像传送给智能电视进行处理。
在本实施例中,可以利用Adaboost算法从摄像头采集的画面中检测出用户的人脸图像。Adaboost是一种迭代算法,是针对同一个训练集训练不同的分类器(弱分类器),然后把这些弱分类器集合起来,构成一个更强的最终分类器(强分类器),通过改变数据分布来实现的,它根据每次训练集之中每个样本的分类是否正确,以及上次的总体分类的准确率,来确定每个样本的权值。将修改过权值的新数据集送给下层分类器进行训练,最后将每次训练得到的分类器最后融合起来,作为最后的决策分类器,从而大大提高人脸图像检测的准确率。
步骤S102、提取所述人脸图像中的表情特征向量。
首先,可以计算所述人脸图像中的各个特征距离。所述特征距离为任意两个特征区域(可以分别记为第一特征区域和第二特征区域)中心点之间的距离,所述特征区域可以包括但不限于眉毛所在的区域、眼睛所在的区域、鼻子所在的区域、嘴巴所在的区域等等,如图2所示,图中的×即代表人脸图像的一个特征区域中心点,任意两个特征区域中心点之间的距离即为一个特征距离,如图中所示的d1,d2,d3,d4等。具体地,可以根据下式计算所述人脸图像中的各个特征距离:
其中,m为特征距离的序号,1≤m≤M,M为特征距离的总数,FcFtValm为所述人脸图像中的第m个特征距离,LNm为所述人脸图像中与第m个特征距离对应的第一特征区域的像素点个数,(xlm,ln,ylm,ln)为所述第一特征区域的第ln个像素点的坐标,1≤ln≤LNm,RNm为所述人脸图像中与第m个特征距离对应的第二特征区域的像素点个数,(xrm,rn,yrm,rn)为所述第一特征区域的第rn个像素点的坐标,1≤rn≤RNm,(AveXLm,AveYLm)为所述第一特征区域的中心点坐标,且(AveXRm,AveYRm)为所述第二特征区域的中心点坐标,且
然后,根据下式将各个特征距离构造为所述人脸图像的表情特征向量:
FaceFtVec=(FcFtVal1,FcFtVal2,...,FcFtValm,...,FcFtValM)
其中,FaceFtVec为所述人脸图像的表情特征向量。
步骤S103、从预设的参照样本集合中分别提取各个情绪等级的参照样本向量。
如图3所示,所述参照样本集合的设置过程包括:
步骤S301、从预设的表情分级样本库中抽取各个情绪等级的候选样本向量。
在本实施例中,可以将人脸表情的情绪强烈程度划分为多个等级,例如,可以将情绪等级的总数记为CtNum,按照人脸表情的情绪强烈程度由低到高的顺序,依次用序号1、2、3、…、c、…、CtNum进行标记,1≤c≤CtNum,其中,序号为1的情绪等级代表面无表情的状态,序号为CtNum的情绪等级代表情绪极为强烈的状态,例如,极度兴奋、极度悲伤、极度恐惧等状态。
为了准确评估当前用户人脸表情的情绪强烈程度,本实施例预先构建了表情分级样本库作为评估的依据,该表情分级样本库中包含了各个情绪等级的人脸表情样本的表情特征向量,也即候选样本向量。
任意一个候选样本向量可以表示为:
SpFtVecc,n=(SpFtValc,n,1,SpFtValc,n,2,...,SpFtValc,n,m,...,SpFtValc,n,M)
其中,c为情绪等级的序号,1≤c≤CtNum,CtNum为情绪等级的总数,n为候选样本的序号,1≤n≤CNc,CNc为第c个情绪等级的候选样本的总数,SpFtVecc,n为第c个情绪等级的第n个候选样本向量,SpFtValc,n,m为第c个情绪等级的第n个候选样本向量在第m个维度上(也即第m个特征距离)的取值。
步骤S302、构造各个情绪等级的中心向量。
例如,可以根据下式构造各个情绪等级的中心向量:
SpCtVecc=(SpCtValc,1,SpCtValc,2,...,SpCtValc,m,...,SpCtValc,M)
其中,SpCtVecc为第c个情绪等级的中心向量,SpCtValc,m为第c个情绪等级的中心向量在第d个维度上的取值,且
步骤S303、分别计算各个候选样本向量与对应的中心向量之间的距离。
例如,可以根据下式分别计算各个候选样本向量与对应的中心向量之间的距离:
其中,Disc,n为第c个情绪等级的第n个候选样本向量与对应的中心向量之间的距离。
步骤S304、选取与对应的中心向量之间的距离最小的前若干个候选样本向量组成所述参照样本集合。
各个情绪等级的参照样本向量的具体数量可以根据下式确定:
SNc=η×CNc
其中,η为预设的比例系数,可以根据实际情况将其设置为0.2、0.3、0.5或者其它取值,SNc为第c个情绪等级的参照样本的数量,从第c个情绪等级的各个候选样本向量中选取与中心向量SpCtVecc之间的距离最小的前SNc个候选样本作为第c个情绪等级的参照样本向量,然后将各个情绪等级的参照样本向量组成所述参照样本集合。
任意一个参照样本向量可以表示为:
SelFtVecc,sn=(SelFtValc,sn,1,SelFtValc,sn,2,...,SelFtValc,sn,m,...,SelFtValc,sn,M)
其中,sn为参照样本向量的序号,1≤sn≤SNc,SelFtVecc,sn为第c个情绪等级的第sn个参照样本向量,SelFtValc,sn,m为SelFtVecc,sn在第m个维度上的取值。
步骤S104、分别计算所述表情特征向量与各个情绪等级的参照样本向量之间的平均距离。
例如,可以根据下式分别计算所述表情特征向量与各个情绪等级的参照样本向量之间的平均距离:
其中,AvDisc为所述表情特征向量与第c个情绪等级的参照样本向量之间的平均距离,Weightc,m为预设的权重系数,且:
步骤S105、选取与所述表情特征向量的平均距离最小的情绪等级作为优选情绪等级。
例如,可以根据下式确定出当前用户人脸表情的情绪等级,也即所述优选情绪等级:
EmoClass=argmin(AvDis1,AvDis2,...,AvDisc,...,AvDisCtNum)
其中,argmin为最小自变量函数,EmoClass为所述优选情绪等级的序号。
步骤S106、根据所述优选情绪等级计算所述电视节目的综合评分。
在本实施例中,使用用户人脸表情的情绪等级来对用户对电视节目的喜好程度进行衡量,当用户观看某电视节目时的情绪等级越高,则说明用户对该电视节目越喜欢。
进一步地,为了保证结果的准确度,避免某个偶然的无意识表情对结果的干扰,本实施例在当前电视节目的播放过程中,每隔一定的间隔,即进行一次人脸图像的采集,并分别计算每次采集的用户人脸表情的情绪等级,然后通过查询下表所示的分数表确定每次的情绪分数:
人脸表情的情绪等级 | 情绪分数 |
1级 | 0分 |
2级 | 2分 |
3级 | 5分 |
…… | …… |
…… | …… |
再将各次确定的用户人脸表情的情绪等级(也即所述优选情绪等级)构造为评分等级序列,并统计各个情绪等级在所述评分等级序列中出现的次数,最后根据下式计算所述电视节目的综合评分:
其中,CsNumc为第c个情绪等级出现的次数,CsScorec为第c个情绪等级对应的情绪分数,Score为所述综合评分。
需要注意的是,以上仅为计算所述电视节目的综合评分的一种具体方式,在实际应用中,还可以根据具体情况通过其它类似的方式进行综合评分的计算,本实施例对此不作具体限定。
步骤S107、若所述电视节目的综合评分小于预设的评分阈值,则对所述电视节目进行切换。
所述评分阈值可以根据实际情况进行设置,例如,可以将用户观看频率最高的一个或者多个电视节目作为基准比对节目,在用户观看这些基准比对节目时计算这些节目的综合评分,并将这些节目的综合评分的平均值作为所述评分阈值。若所述电视节目的综合评分大于或等于所述评分阈值,则说明用户对所述电视节目比较喜欢,此时维持当前的电视节目,无需进行切换,若所述电视节目的综合评分小于所述评分阈值,则说明用户对所述电视节目不太喜欢,此时自动对所述电视节目进行切换。在进行电视节目切换时,可以按照预设的电视节目播放列表切换到当前电视节目其后的下一个电视节目,也可以按照用户的历史观看记录,为其切换到一个观看频率最高或者是综合评分最高的电视节目。
优选地,在对所述电视节目进行切换之前,还可以根据如图4所示的过程选取进行电视节目切换时的优选电视节目:
步骤S401、从所述用户的历史观看记录中获取电视节目集合。
所述电视节目集合中包括第一节目和第二节目,所述第一节目为在预设的第一时长内未被切换的电视节目,也即所述用户较为喜爱的节目,所述第二节目为在预设的第二时长内被切换的电视节目,也即所述用户不太喜爱的节目,所述第一时长大于或等于所述第二时长。
步骤S402、从预设的服务器中分别获取所述电视节目集合中各个电视节目的标签组。
其中,任一电视节目的标签组中均包括一个以上的标签值。例如,某一电视节目的标签组中可以包括“军事”、“记录片”、“中国”等标签值,另一电视节目的标签组中可以包括“爱情”、“电视剧”、“韩国”等标签值。
步骤S403、分别以预设的各个基准标签值对所述电视节目集合进行分类,并根据分类结果分别计算各个基准标签值的区分度。
所述基准标签值可以根据实际情况从各个标签值中进行选择,也可以将所有的标签值均作为所述基准标签值。此处将各个基准标签值的序号记为f,1≤f≤FN,FN为基准标签值的总数,当以第f个基准标签值对所述电视节目集合进行分类时,将所述电视节目集合中包括第f个基准标签值的电视节目确定为分类结果中的第一节目,将所述电视节目集合中不包括第f个基准标签值的电视节目确定为分类结果中的第二节目,然后通过下述过程分别计算各个基准标签值的区分度:
首先,根据下式计算所述电视节目集合的混杂度:
其中,TotalN为所述电视节目集合中的电视节目总数,SPN为所述电视节目集合中的第一节目的总数,SNgN为所述电视节目集合中的第二节目的总数,Chaos为所述电视节目集合的混杂度;
然后,根据下式计算第f个基准标签值的分类结果中第一节目的混杂度:
其中,PN为分类结果中的第一节目的总数,TPN为分类结果中的第一节目与所述电视节目集合中的第一节目相一致的个数,FPN为分类结果中的第一节目与所述电视节目集合中的第二节目相一致的个数,FstChaos为分类结果中的第一节目的混杂度;
接着,根据下式计算第f个基准标签值的分类结果中第二节目的混杂度:
其中,NgN为分类结果中的第二节目的总数,TNgN为分类结果中的第二节目与所述电视节目集合中的第二节目相一致的个数,FNgN为分类结果中的第二节目与所述电视节目集合中的第一节目相一致的个数,SndChaos为分类结果中的第二节目的混杂度;
最后,根据下式计算第f个基准标签值的区分度:
其中,Distingf为第f个基准标签值的区分度。
步骤S404、将区分度取值最大的基准标签值所对应的电视节目作为进行电视节目切换时的优选电视节目。
综上所述,本发明实施例首先通过预设的摄像头采集用户在观看电视节目时的人脸图像,并提取所述人脸图像中的表情特征向量,然后从预设的参照样本集合中分别提取各个情绪等级的参照样本向量,分别计算所述表情特征向量与各个情绪等级的参照样本向量之间的平均距离,再选取与所述表情特征向量的平均距离最小的情绪等级作为优选情绪等级,由于用户观看电视节目时,其表情的变化情况往往反映出了其对电视节目的喜恶,例如,当用户观看到自己比较喜欢的电视节目时,其表情的情绪往往较为强烈,即具有较高的情绪等级,而当用户观看到自己不喜欢的电视节目时,往往会面无表情,即具有较低的情绪等级,因此可以根据用户表情的情绪等级来计算电视节目的综合评分,若某一电视节目的综合评分小于预设的评分阈值,则说明用户对该电视节目并无兴趣,此时则可自动对所述电视节目进行切换。整个过程完全自动进行,无需用户频繁地操作遥控器即可智能地进行电视节目切换,大大提升了用户的使用体验。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
对应于上文实施例所述的一种电视节目切换方法,图5示出了本发明实施例提供的一种电视节目切换装置的一个实施例结构图。
本实施例中,一种电视节目切换装置可以包括:
人脸图像采集模块501,用于通过预设的摄像头采集用户在观看电视节目时的人脸图像;
表情特征向量提取模块502,用于提取所述人脸图像中的表情特征向量;
参照样本向量提取模块503,用于从预设的参照样本集合中分别提取各个情绪等级的参照样本向量;
样本距离计算模块504,用于分别计算所述表情特征向量与各个情绪等级的参照样本向量之间的平均距离;
情绪等级确定模块505,用于选取与所述表情特征向量的平均距离最小的情绪等级作为优选情绪等级;
综合评分计算模块506,用于根据所述优选情绪等级计算所述电视节目的综合评分;
电视节目切换模块507,用于若所述电视节目的综合评分小于预设的评分阈值,则对所述电视节目进行切换。
进一步地,所述表情特征向量提取模块可以包括:
特征距离计算单元,用于根据下式计算所述人脸图像中的各个特征距离:
其中,m为特征距离的序号,1≤m≤M,M为特征距离的总数,FcFtValm为所述人脸图像中的第m个特征距离,LNm为所述人脸图像中与第m个特征距离对应的第一特征区域的像素点个数,(xlm,ln,ylm,ln)为所述第一特征区域的第ln个像素点的坐标,1≤ln≤LNm,RNm为所述人脸图像中与第m个特征距离对应的第二特征区域的像素点个数,(xrm,rn,yrm,rn)为所述第一特征区域的第rn个像素点的坐标,1≤rn≤RNm,(AveXLm,AveYLm)为所述第一特征区域的中心点坐标,且为所述第二特征区域的中心点坐标,且
表情特征向量构造单元,用于根据下式将各个特征距离构造为所述人脸图像的表情特征向量:
FaceFtVec=(FcFtVal1,FcFtVal2,...,FcFtValm,...,FcFtValM)
其中,FaceFtVec为所述人脸图像的表情特征向量。
进一步地,所述电视节目切换装置还可以包括:
候选样本向量抽取模块,用于从预设的表情分级样本库中抽取各个情绪等级的候选样本向量,任一候选样本向量如下所示:
SpFtVecc,n=(SpFtValc,n,1,SpFtValc,n,2,...,SpFtValc,n,m,...,SpFtValc,n,M)
其中,c为情绪等级的序号,1≤c≤CtNum,CtNum为情绪等级的总数,n为候选样本的序号,1≤n≤CNc,CNc为第c个情绪等级的候选样本的总数,SpFtVecc,n为第c个情绪等级的第n个候选样本向量,SpFtValc,n,m为第c个情绪等级的第n个候选样本向量在第m个维度上的取值;
中心向量构造模块,用于根据下式构造各个情绪等级的中心向量:
SpCtVecc=(SpCtValc,1,SpCtValc,2,...,SpCtValc,m,...,SpCtValc,M)
其中,SpCtVecc为第c个情绪等级的中心向量,SpCtValc,m为第c个情绪等级的中心向量在第d个维度上的取值,且
中心距离计算模块,用于根据下式分别计算各个候选样本向量与对应的中心向量之间的距离:
其中,Disc,n为第c个情绪等级的第n个候选样本向量与对应的中心向量之间的距离;
参照样本集合构造模块,用于选取与对应的中心向量之间的距离最小的前SNc个候选样本向量组成所述参照样本集合,其中,SNc=η×CNc,η为预设的比例系数。
进一步地,所述样本距离计算模块具体用于根据下式分别计算所述表情特征向量与各个情绪等级的参照样本向量之间的平均距离:
其中,sn为参照样本向量的序号,1≤sn≤SNc,SelFtValc,sn,m为SelFtVecc,sn在第m个维度上的取值,SelFtVecc,sn为第c个情绪等级的第sn个参照样本向量,且SelFtVecc,sn=(SelFtValc,sn,1,SelFtValc,sn,2,...,SelFtValc,sn,m,...,SelFtValc,sn,M),AvDisc为所述表情特征向量与第c个情绪等级的参照样本向量之间的平均距离,Weightc,m为预设的权重系数,且:
进一步地,所述综合评分计算模块可以包括:
次数统计单元,用于将各次确定的优选情绪等级构造为评分等级序列,并统计各个情绪等级在所述评分等级序列中出现的次数;
综合评分计算单元,用于根据下式计算所述电视节目的综合评分:
其中,CsNumc为第c个情绪等级出现的次数,CsScorec为第c个情绪等级对应的情绪分数,Score为所述综合评分。
进一步地,所述电视节目切换装置还可以包括:
电视节目集合获取模块,用于从所述用户的历史观看记录中获取电视节目集合,所述电视节目集合中包括第一节目和第二节目,所述第一节目为在预设的第一时长内未被切换的电视节目,所述第二节目为在预设的第二时长内被切换的电视节目,所述第一时长大于或等于所述第二时长;
标签组获取模块,用于从预设的服务器中分别获取所述电视节目集合中各个电视节目的标签组,其中,任一电视节目的标签组中均包括一个以上的标签值;
区分度计算模块,用于分别以预设的各个基准标签值对所述电视节目集合进行分类,并根据分类结果分别计算各个基准标签值的区分度;
优选电视节目选取模块,用于将区分度取值最大的基准标签值所对应的电视节目作为进行电视节目切换时的优选电视节目。
进一步地,所示区分度计算模块可以包括:
第一计算单元,用于根据下式计算所述电视节目集合的混杂度:
其中,TotalN为所述电视节目集合中的电视节目总数,SPN为所述电视节目集合中的第一节目的总数,SNgN为所述电视节目集合中的第二节目的总数,Chaos为所述电视节目集合的混杂度;
第二计算单元,用于根据下式计算第f个基准标签值的分类结果中第一节目的混杂度:
其中,1≤f≤FN,FN为基准标签值的总数,PN为分类结果中的第一节目的总数,TPN为分类结果中的第一节目与所述电视节目集合中的第一节目相一致的个数,FPN为分类结果中的第一节目与所述电视节目集合中的第二节目相一致的个数,FstChaos为分类结果中的第一节目的混杂度;
第三计算单元,用于根据下式计算第f个基准标签值的分类结果中第二节目的混杂度:
其中,NgN为分类结果中的第二节目的总数,TNgN为分类结果中的第二节目与所述电视节目集合中的第二节目相一致的个数,FNgN为分类结果中的第二节目与所述电视节目集合中的第一节目相一致的个数,SndChaos为分类结果中的第二节目的混杂度;
第四计算单元,用于根据下式计算第f个基准标签值的区分度:
其中,Distingf为第f个基准标签值的区分度。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置,模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
图6示出了本发明实施例提供的一种终端设备的示意框图,为了便于说明,仅示出了与本发明实施例相关的部分。
在本实施例中,所述终端设备6可以是智能电视,该终端设备6可包括:处理器60、存储器61以及存储在所述存储器61中并可在所述处理器60上运行的计算机可读指令62,例如执行上述的电视节目切换方法的计算机可读指令。所述处理器60执行所述计算机可读指令62时实现上述各个电视节目切换方法实施例中的步骤,例如图1所示的步骤S101至S107。或者,所述处理器60执行所述计算机可读指令62时实现上述各装置实施例中各模块/单元的功能,例如图5所示模块501至507的功能。
示例性的,所述计算机可读指令62可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器61中,并由所述处理器60执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段,该指令段用于描述所述计算机可读指令62在所述终端设备6中的执行过程。
所述处理器60可以是中央处理单元(Central Processing Unit,CPU),还可以是其它通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器61可以是所述终端设备6的内部存储单元,例如终端设备6的硬盘或内存。所述存储器61也可以是所述终端设备6的外部存储设备,例如所述终端设备6上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器61还可以既包括所述终端设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储所述计算机可读指令以及所述终端设备6所需的其它指令和数据。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干计算机可读指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储计算机可读指令的介质。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种电视节目切换方法,其特征在于,包括:
通过预设的摄像头采集用户在观看电视节目时的人脸图像,并提取所述人脸图像中的表情特征向量;
从预设的参照样本集合中分别提取各个情绪等级的参照样本向量;
分别计算所述表情特征向量与各个情绪等级的参照样本向量之间的平均距离;
选取与所述表情特征向量的平均距离最小的情绪等级作为优选情绪等级,并根据所述优选情绪等级计算所述电视节目的综合评分;
若所述电视节目的综合评分小于预设的评分阈值,则对所述电视节目进行切换。
2.根据权利要求1所述的电视节目切换方法,其特征在于,所述参照样本集合的设置过程包括:
从预设的表情分级样本库中抽取各个情绪等级的候选样本向量,任一候选样本向量如下所示:
SpFtVecc,n=(SpFtValc,n,1,SpFtValc,n,2,...,SpFtValc,n,m,...,SpFtValc,n,M)
其中,c为情绪等级的序号,1≤c≤CtNum,CtNum为情绪等级的总数,n为候选样本的序号,1≤n≤CNc,CNc为第c个情绪等级的候选样本的总数,SpFtVecc,n为第c个情绪等级的第n个候选样本向量,SpFtValc,n,m为第c个情绪等级的第n个候选样本向量在第m个维度上的取值;
根据下式构造各个情绪等级的中心向量:
SpCtVecc=(SpCtValc,1,SpCtValc,2,...,SpCtValc,m,...,SpCtValc,M)
其中,SpCtVecc为第c个情绪等级的中心向量,SpCtValc,m为第c个情绪等级的中心向量在第d个维度上的取值,且
根据下式分别计算各个候选样本向量与对应的中心向量之间的距离:
其中,Disc,n为第c个情绪等级的第n个候选样本向量与对应的中心向量之间的距离;
选取与对应的中心向量之间的距离最小的前SNc个候选样本向量组成所述参照样本集合,其中,SNc=η×CNc,η为预设的比例系数。
3.根据权利要求1所述的电视节目切换方法,其特征在于,所述根据所述优选情绪等级计算所述电视节目的综合评分包括:
将各次确定的优选情绪等级构造为评分等级序列,并统计各个情绪等级在所述评分等级序列中出现的次数;
根据下式计算所述电视节目的综合评分:
其中,CsNumc为第c个情绪等级出现的次数,CsScorec为第c个情绪等级对应的情绪分数,Score为所述综合评分。
4.根据权利要求1至3中任一项所述的电视节目切换方法,其特征在于,在对所述电视节目进行切换之前,还包括:
从所述用户的历史观看记录中获取电视节目集合,所述电视节目集合中包括第一节目和第二节目,所述第一节目为在预设的第一时长内未被切换的电视节目,所述第二节目为在预设的第二时长内被切换的电视节目,所述第一时长大于或等于所述第二时长;
从预设的服务器中分别获取所述电视节目集合中各个电视节目的标签组,其中,任一电视节目的标签组中均包括一个以上的标签值;
分别以预设的各个基准标签值对所述电视节目集合进行分类,并根据分类结果分别计算各个基准标签值的区分度;
将区分度取值最大的基准标签值所对应的电视节目作为进行电视节目切换时的优选电视节目。
5.根据权利要求4所述的电视节目切换方法,其特征在于,所述根据分类结果分别计算各个基准标签值的区分度包括:
根据下式计算所述电视节目集合的混杂度:
其中,TotalN为所述电视节目集合中的电视节目总数,SPN为所述电视节目集合中的第一节目的总数,SNgN为所述电视节目集合中的第二节目的总数,Chaos为所述电视节目集合的混杂度;
根据下式计算第f个基准标签值的分类结果中第一节目的混杂度:
其中,1≤f≤FN,FN为基准标签值的总数,PN为分类结果中的第一节目的总数,TPN为分类结果中的第一节目与所述电视节目集合中的第一节目相一致的个数,FPN为分类结果中的第一节目与所述电视节目集合中的第二节目相一致的个数,FstChaos为分类结果中的第一节目的混杂度;
根据下式计算第f个基准标签值的分类结果中第二节目的混杂度:
其中,NgN为分类结果中的第二节目的总数,TNgN为分类结果中的第二节目与所述电视节目集合中的第二节目相一致的个数,FNgN为分类结果中的第二节目与所述电视节目集合中的第一节目相一致的个数,SndChaos为分类结果中的第二节目的混杂度;
根据下式计算第f个基准标签值的区分度:
其中,Distingf为第f个基准标签值的区分度。
6.一种电视节目切换装置,其特征在于,包括:
人脸图像采集模块,用于通过预设的摄像头采集用户在观看电视节目时的人脸图像;
表情特征向量提取模块,用于提取所述人脸图像中的表情特征向量;
参照样本向量提取模块,用于从预设的参照样本集合中分别提取各个情绪等级的参照样本向量;
样本距离计算模块,用于分别计算所述表情特征向量与各个情绪等级的参照样本向量之间的平均距离;
情绪等级确定模块,用于选取与所述表情特征向量的平均距离最小的情绪等级作为优选情绪等级;
综合评分计算模块,用于根据所述优选情绪等级计算所述电视节目的综合评分;
电视节目切换模块,用于若所述电视节目的综合评分小于预设的评分阈值,则对所述电视节目进行切换。
7.根据权利要求6所述的电视节目切换装置,其特征在于,还包括:
候选样本向量抽取模块,用于从预设的表情分级样本库中抽取各个情绪等级的候选样本向量,任一候选样本向量如下所示:
SpFtVecc,n=(SpFtValc,n,1,SpFtValc,n,2,...,SpFtValc,n,m,...,SpFtValc,n,M)
其中,c为情绪等级的序号,1≤c≤CtNum,CtNum为情绪等级的总数,n为候选样本的序号,1≤n≤CNc,CNc为第c个情绪等级的候选样本的总数,SpFtVecc,n为第c个情绪等级的第n个候选样本向量,SpFtValc,n,m为第c个情绪等级的第n个候选样本向量在第m个维度上的取值;
中心向量构造模块,用于根据下式构造各个情绪等级的中心向量:
SpCtVecc=(SpCtValc,1,SpCtValc,2,...,SpCtValc,m,...,SpCtValc,M)
其中,SpCtVecc为第c个情绪等级的中心向量,SpCtValc,m为第c个情绪等级的中心向量在第d个维度上的取值,且
中心距离计算模块,用于根据下式分别计算各个候选样本向量与对应的中心向量之间的距离:
其中,Disc,n为第c个情绪等级的第n个候选样本向量与对应的中心向量之间的距离;
参照样本集合构造模块,用于选取与对应的中心向量之间的距离最小的前SNc个候选样本向量组成所述参照样本集合,其中,SNc=η×CNc,η为预设的比例系数。
8.根据权利要求6所述的电视节目切换装置,其特征在于,所述综合评分计算模块包括:
次数统计单元,用于将各次确定的优选情绪等级构造为评分等级序列,并统计各个情绪等级在所述评分等级序列中出现的次数;
综合评分计算单元,用于根据下式计算所述电视节目的综合评分:
其中,CsNumc为第c个情绪等级出现的次数,CsScorec为第c个情绪等级对应的情绪分数,Score为所述综合评分。
9.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,其特征在于,所述计算机可读指令被处理器执行时实现如权利要求1至5中任一项所述的电视节目切换方法的步骤。
10.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令,其特征在于,所述处理器执行所述计算机可读指令时实现如权利要求1至5中任一项所述的电视节目切换方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910294866.0A CN110166836B (zh) | 2019-04-12 | 2019-04-12 | 一种电视节目切换方法、装置、可读存储介质及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910294866.0A CN110166836B (zh) | 2019-04-12 | 2019-04-12 | 一种电视节目切换方法、装置、可读存储介质及终端设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110166836A true CN110166836A (zh) | 2019-08-23 |
CN110166836B CN110166836B (zh) | 2022-08-02 |
Family
ID=67639298
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910294866.0A Active CN110166836B (zh) | 2019-04-12 | 2019-04-12 | 一种电视节目切换方法、装置、可读存储介质及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110166836B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111859025A (zh) * | 2020-07-03 | 2020-10-30 | 广州华多网络科技有限公司 | 表情指令生成方法、装置、设备及存储介质 |
CN113505665A (zh) * | 2021-06-28 | 2021-10-15 | 哈尔滨工业大学(深圳) | 基于视频的学生在校情绪判读方法以及装置 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102523502A (zh) * | 2011-12-15 | 2012-06-27 | 四川长虹电器股份有限公司 | 智能电视交互***及交互方法 |
US20140298364A1 (en) * | 2013-03-26 | 2014-10-02 | Rawllin International Inc. | Recommendations for media content based on emotion |
CN104298682A (zh) * | 2013-07-18 | 2015-01-21 | 广州华久信息科技有限公司 | 一种基于人脸表情图像的信息推荐效果的评价方法及手机 |
CN105721936A (zh) * | 2016-01-20 | 2016-06-29 | 中山大学 | 一种基于情景感知的智能电视节目推荐*** |
CN107463876A (zh) * | 2017-07-03 | 2017-12-12 | 珠海市魅族科技有限公司 | 信息处理方法和装置、计算机装置和存储介质 |
CN107862292A (zh) * | 2017-11-15 | 2018-03-30 | 平安科技(深圳)有限公司 | 人物情绪分析方法、装置及存储介质 |
WO2018060993A1 (en) * | 2016-09-27 | 2018-04-05 | Faception Ltd. | Method and system for personality-weighted emotion analysis |
CN108268838A (zh) * | 2018-01-02 | 2018-07-10 | 中国科学院福建物质结构研究所 | 人脸表情识别方法及人脸表情识别*** |
CN108304458A (zh) * | 2017-12-22 | 2018-07-20 | 新华网股份有限公司 | 根据用户情绪的多媒体内容推送方法和*** |
US20180211102A1 (en) * | 2017-01-25 | 2018-07-26 | Imam Abdulrahman Bin Faisal University | Facial expression recognition |
CN109009096A (zh) * | 2018-07-17 | 2018-12-18 | 泉州装备制造研究所 | 一种对影视作品在线客观评价的***及方法 |
CN109583419A (zh) * | 2018-12-13 | 2019-04-05 | 深圳市淘米科技有限公司 | 一种基于深度卷积网络的情绪预测*** |
-
2019
- 2019-04-12 CN CN201910294866.0A patent/CN110166836B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102523502A (zh) * | 2011-12-15 | 2012-06-27 | 四川长虹电器股份有限公司 | 智能电视交互***及交互方法 |
US20140298364A1 (en) * | 2013-03-26 | 2014-10-02 | Rawllin International Inc. | Recommendations for media content based on emotion |
CN104298682A (zh) * | 2013-07-18 | 2015-01-21 | 广州华久信息科技有限公司 | 一种基于人脸表情图像的信息推荐效果的评价方法及手机 |
CN105721936A (zh) * | 2016-01-20 | 2016-06-29 | 中山大学 | 一种基于情景感知的智能电视节目推荐*** |
WO2018060993A1 (en) * | 2016-09-27 | 2018-04-05 | Faception Ltd. | Method and system for personality-weighted emotion analysis |
US20180211102A1 (en) * | 2017-01-25 | 2018-07-26 | Imam Abdulrahman Bin Faisal University | Facial expression recognition |
CN107463876A (zh) * | 2017-07-03 | 2017-12-12 | 珠海市魅族科技有限公司 | 信息处理方法和装置、计算机装置和存储介质 |
CN107862292A (zh) * | 2017-11-15 | 2018-03-30 | 平安科技(深圳)有限公司 | 人物情绪分析方法、装置及存储介质 |
CN108304458A (zh) * | 2017-12-22 | 2018-07-20 | 新华网股份有限公司 | 根据用户情绪的多媒体内容推送方法和*** |
CN108268838A (zh) * | 2018-01-02 | 2018-07-10 | 中国科学院福建物质结构研究所 | 人脸表情识别方法及人脸表情识别*** |
CN109009096A (zh) * | 2018-07-17 | 2018-12-18 | 泉州装备制造研究所 | 一种对影视作品在线客观评价的***及方法 |
CN109583419A (zh) * | 2018-12-13 | 2019-04-05 | 深圳市淘米科技有限公司 | 一种基于深度卷积网络的情绪预测*** |
Non-Patent Citations (4)
Title |
---|
卢官明等: "新生儿疼痛面部表情识别方法的研究", 《光学学报》, no. 11, 15 November 2008 (2008-11-15) * |
张宜浩等: "基于用户评论的深度情感分析和多视图协同融合的混合推荐方法", 《计算机学报》, no. 06, 6 March 2019 (2019-03-06) * |
袁科伟: "情感计算在可用性测试中应用的研究", 《中国优秀硕士学位论文全文数据库》, 15 March 2010 (2010-03-15) * |
谢利萍: "基于视频的人脸表情识别", 《中国优秀硕士学位论文全文数据库》, 15 February 2018 (2018-02-15) * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111859025A (zh) * | 2020-07-03 | 2020-10-30 | 广州华多网络科技有限公司 | 表情指令生成方法、装置、设备及存储介质 |
CN113505665A (zh) * | 2021-06-28 | 2021-10-15 | 哈尔滨工业大学(深圳) | 基于视频的学生在校情绪判读方法以及装置 |
CN113505665B (zh) * | 2021-06-28 | 2023-06-20 | 哈尔滨工业大学(深圳) | 基于视频的学生在校情绪判读方法以及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110166836B (zh) | 2022-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107862292B (zh) | 人物情绪分析方法、装置及存储介质 | |
CN103747346B (zh) | 一种多媒体视频播放的控制方法及多媒体视频播放器 | |
CN109214337B (zh) | 一种人群统计方法、装置、设备及计算机可读存储介质 | |
CN105721936B (zh) | 一种基于情景感知的智能电视节目推荐*** | |
CN109948447B (zh) | 基于视频图像识别的人物网络关系发现及演化呈现方法 | |
CN105139021B (zh) | 一种基于粗糙集理论实现电视用户快速分类的方法及*** | |
CN104102819B (zh) | 一种用户自然属性的确定方法和装置 | |
CN106874355A (zh) | 同时融入社交关系和用户相似度的协同过滤方法 | |
CN108989581A (zh) | 一种用户风险识别方法、装置及*** | |
CN110166836A (zh) | 一种电视节目切换方法、装置、可读存储介质及终端设备 | |
CN109862013A (zh) | 一种直播间推荐方法、存储介质、电子设备及*** | |
CN109858344A (zh) | 婚恋对象推荐方法、装置、计算机设备及存储介质 | |
CN110163631A (zh) | 客户精准服务方法、装置、计算机设备及存储介质 | |
CN112132208A (zh) | 图像转换模型的生成方法、装置、电子设备及存储介质 | |
CN108053214B (zh) | 一种虚假交易的识别方法和装置 | |
US20220075804A1 (en) | Method and device for providing guide information for enhancement of artist's reputation | |
CN108416298A (zh) | 一种场景判断方法及终端 | |
CN109451334A (zh) | 用户画像生成处理方法、装置及电子设备 | |
Xu et al. | Similarity measures for content-based image retrieval based on intuitionistic fuzzy set theory. | |
CN105229700B (zh) | 用于从多个连续拍摄图像提取峰图像的设备和方法 | |
CN108024148B (zh) | 基于行为特征的多媒体文件识别方法、处理方法及装置 | |
CN107844734B (zh) | 监控目标确定方法及装置、视频监控方法及装置 | |
CN111950507A (zh) | 数据处理和模型训练方法、装置、设备及介质 | |
Grosso et al. | Modeling biometric template update with ant colony optimization | |
JP2021026744A (ja) | 情報処理装置、画像認識方法及び学習モデル生成方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |