CN110262665A - 用于输出信息的方法和装置 - Google Patents
用于输出信息的方法和装置 Download PDFInfo
- Publication number
- CN110262665A CN110262665A CN201910559574.5A CN201910559574A CN110262665A CN 110262665 A CN110262665 A CN 110262665A CN 201910559574 A CN201910559574 A CN 201910559574A CN 110262665 A CN110262665 A CN 110262665A
- Authority
- CN
- China
- Prior art keywords
- information
- emotional information
- emotional
- text
- relevant
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000002996 emotional effect Effects 0.000 claims abstract description 153
- 230000036651 mood Effects 0.000 claims abstract description 43
- 230000001815 facial effect Effects 0.000 claims abstract description 34
- 230000008451 emotion Effects 0.000 claims abstract description 25
- 238000000605 extraction Methods 0.000 claims description 26
- 230000001755 vocal effect Effects 0.000 claims description 16
- 238000013145 classification model Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 8
- 230000008921 facial expression Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 230000004927 fusion Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 210000003128 head Anatomy 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
- G06F16/353—Clustering; Classification into predefined classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/16—Sound input; Sound output
- G06F3/167—Audio in a user interface, e.g. using voice commands for navigating, audio feedback
-
- 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
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/26—Speech to text systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Acoustics & Sound (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Oral & Maxillofacial Surgery (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本公开的实施例公开了用于输出信息的方法和装置。该方法的一具体实施方式包括：获取人脸图像和语音信息；从人脸图像中提取与表情相关的第一情绪信息；从语音信息中提取与语音相关的第二情绪信息；对语音信息进行语音识别得到文字信息，从文字信息中提取与文字相关的第三情绪信息；将第一情绪信息和第二情绪信息、第三情绪信息进行融合并输出。该实施方式能够从多个角度来判断情绪，提高了情绪判断的准确性。
Description
技术领域
本公开的实施例涉及计算机技术领域，具体涉及用于输出信息的方法和装置。
背景技术
随着人工智能中人脸识别和人脸重建技术的发展，虚拟主播、虚拟主持人以及虚拟网络会议等技术应用也越来越普遍。这些应用一般来说是通过摄像头实时捕捉用户人脸数据，利用人脸识别算法实时计算脸部姿态(头部移动旋转等)、局部器官动作(睁眼闭眼、张嘴闭嘴等)和表情情绪(哭泣、大笑等)，然后把这些信息叠加到虚拟人脸上，驱动虚拟人脸动作和表情。其中虚拟人脸可能是完全手工建模的虚拟人脸，或者是通过算法采集用户人脸数据重建的虚拟人脸。
当前的三维人脸驱动仅考虑人脸表情情绪，这会有几个问题。一是人脸表情对于强烈的情绪表达比较明显(大哭大笑等)，但并不能表现出所有的情绪，其中很多细微的情绪表达，人脸识别算法很容易忽略。而且有很多人本身人脸表情就比较简单，不同的情绪在人脸表情上表现的变化不明显，很难区分。所以这导致一个问题是，仅使用人脸表情来驱动的虚拟三维人脸会导致表情僵硬，看起来非常不真实。
而且人的情绪表现方式非常广泛，包括语音信息以及说话的内容都能在不同层面表示当前用户情绪。而把这些不同表现方式的情绪一起考虑才能更好的识别出用户当前真实的情绪。
发明内容
本公开的实施例提出了用于输出信息的方法和装置。
第一方面，本公开的实施例提供了一种用于输出信息的方法，包括：获取人脸图像和语音信息；从人脸图像中提取与表情相关的第一情绪信息；从语音信息中提取与语音相关的第二情绪信息；对语音信息进行语音识别得到文字信息，从文字信息中提取与文字相关的第三情绪信息；将第一情绪信息和第二情绪信息、第三情绪信息进行融合并输出。
在一些实施例中，该方法还包括：基于融合后的情绪信息驱动虚拟三维人脸。
在一些实施例中，从人脸图像中提取与表情相关的第一情绪信息，包括：将人脸图像输入预先训练的图像分类模型，得到与表情相关的第一情绪信息。
在一些实施例中，从语音信息中提取与语音相关的第二情绪信息，包括：从语音信息中提取声纹特征；将声纹特征输入预先训练的语音分类模型，得到与语音相关的第二情绪信息。
在一些实施例中，从文字信息中提取与文字相关的第三情绪信息，包括：将文字信息输入预先训练的文字分类模型，得到与文字相关的第三情绪信息。
在一些实施例中，将第一情绪信息和第二情绪信息、第三情绪信息进行融合，包括：将第一情绪信息和第二情绪信息、第三情绪信息进行求和平均。
在一些实施例中，第一情绪信息和第二情绪信息、第三情绪信息分别包括情绪类型和情绪强度。
第二方面，本公开的实施例提供了一种用于输出信息的装置，包括：获取单元，被配置成获取人脸图像和语音信息；第一提取单元，被配置成从人脸图像中提取与表情相关的第一情绪信息；第二提取单元，被配置成从语音信息中提取与语音相关的第二情绪信息；第三提取单元，被配置成对语音信息进行语音识别得到文字信息，从文字信息中提取与文字相关的第三情绪信息；融合单元，被配置成将第一情绪信息和第二情绪信息、第三情绪信息进行融合并输出。
在一些实施例中，该装置还包括驱动单元，被配置成：基于融合后的情绪信息驱动虚拟三维人脸。
在一些实施例中，第一提取单元进一步被配置成：将人脸图像输入预先训练的图像分类模型，得到与表情相关的第一情绪信息。
在一些实施例中，第二提取单元进一步被配置成：从语音信息中提取声纹特征；将声纹特征输入预先训练的语音分类模型，得到与语音相关的第二情绪信息。
在一些实施例中，第三提取单元进一步被配置成：将文字信息输入预先训练的文字分类模型，得到与文字相关的第三情绪信息。
在一些实施例中，融合单元进一步被配置成：将第一情绪信息和第二情绪信息、第三情绪信息进行求和平均。
在一些实施例中，第一情绪信息和第二情绪信息、第三情绪信息分别包括情绪类型和情绪强度。
第三方面，本公开的实施例提供了一种用于输出信息的电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一的方法。
第四方面，本公开的实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现如第一方面中任一的方法。
本公开的实施例提供的用于输出信息的方法和装置，利用多个来源的情绪表达方式，包括人脸表情、语音情绪以及说话内容等，对每个表达方式单独进行情绪识别以及强度的计算，然后通过融合算法确定当前用户最终的情绪以及情绪的强度。利用得到的信息再去驱动虚拟三维人脸。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：
图1是本公开的一个实施例可以应用于其中的示例性***架构图；
图2是根据本公开的用于输出信息的方法的一个实施例的流程图；
图3是根据本公开的用于输出信息的方法的一个应用场景的示意图；
图4是根据本公开的用于输出信息的方法的又一个实施例的流程图；
图5是根据本公开的用于输出信息的装置的一个实施例的结构示意图；
图6是适于用来实现本公开的实施例的电子设备的计算机***的结构示意图。
具体实施方式
下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的用于输出信息的方法或用于输出信息的装置的实施例的示例性***架构100。
如图1所示，***架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、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。
用户可以使用终端设备101、102、103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、103上可以安装有各种通讯客户端应用，例如语音识别类应用、虚拟主播类应用、虚拟现实类应用、网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有摄像头、麦克风的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上采集的人脸图像、语音进行识别的后台情绪判断服务器。后台情绪判断服务器可以对接收到的情绪判断请求等数据进行分析等处理，并将处理结果(例如情绪类型和情绪强度)反馈给终端设备。
需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是，本公开的实施例所提供的用于输出信息的方法一般由服务器105执行，相应地，用于输出信息的装置一般设置于服务器105中。
应该理解，图1中的终端设备、网络和服务器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、网络和服务器。
继续参考图2，示出了根据本公开的用于输出信息的方法的一个实施例的流程200。该用于输出信息的方法，包括以下步骤：
步骤201，获取人脸图像和语音信息。
在本实施例中，用于输出信息的方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式从用户利用其进行情绪识别的终端接收摄像头采集的人脸图像和麦克风采集的语音信息。
步骤202，从人脸图像中提取与表情相关的第一情绪信息。
在本实施例中，可识别出人脸的关键点，根据关键点的位置判断人脸表情从而确定情绪信息。例如，识别出嘴巴的多个关键点，如果检测到嘴角上翘，说明用户微笑，则情绪信息为开心。可选地，情绪信息可包括情绪类型，还可包括情绪强度。情绪可以简单分为平静、开心，难过，生气、惊讶和害怕等类别，同时每种情绪有不同的强度，取值范围0～1。简单举例来说如果情绪是开心，强度是0.1，可以认为是微笑，如果强度是1，则表示哈哈大笑。该强度可以在不同程度上驱动虚拟三维人脸的情绪表达，表达范围也更大。
由于本公开的目的是实现三种来源的情绪信息的融合，因此用第一情绪信息表示通过人脸图像提取出的情绪信息。用第二情绪信息表示通过语音信息提取出的情绪信息。用第三情绪信息表示通过文字信息提取出的情绪信息。
在本实施例的一些可选的实现方式中，将人脸图像输入预先训练的图像分类模型，得到与表情相关的第一情绪信息。图像分类模型的训练样本为标记了情绪类型和情绪强度的人脸图像。图像分类模型可以是卷积神经网络(Convolutional Neural Network，CNN)等现有的能够进行人脸识别的神经网络。将人脸图像输入预先训练的图像分类模型即可得到该用户的情绪类型和情绪强度。
一般来说情绪分类是个概率值，假设有六类情绪，那么情绪分类的结果是[c1,c2,c3,c4,c5,c5]，六维的一个向量，其中每个值取值范围是0～1，加和为1，表示是该情绪的概率，情绪强度是0～1之间的一个具体值。
从人脸图像获得的情绪类型的概率为[fc1,fc2,fc3,fc4,fc5,fc6]，情绪强度为fi。
步骤203，从语音信息中提取与语音相关的第二情绪信息。
在本实施例中，语音信息中可解析出韵律参数和频谱参数等声学参数。然后利用神经网络(例如，PNN(probabilistic neural network)和HMM(hidden markov model))分别对声学参数的统计特征和时序特征进行处理。计算它们各自属于每类情感的概率，获得采用加法规则和乘法规则融合统计特征和时序特征的识别结果。
在本实施例的一些可选的实现方式中，从语音信息中提取与语音相关的第二情绪信息，包括：从语音信息中提取声纹特征；将声纹特征输入预先训练的语音分类模型，得到与语音相关的第二情绪信息。提取语音中的声纹特征，例如，梅尔倒谱系数。从语音中提取梅尔倒谱系数的过程可以包括预加重、分帧、加窗、快速傅里叶变换、梅尔滤波、对数变换以及离散余弦变换。语音分类模型可包含决策树、逻辑回归、朴素贝叶斯、神经网络等。语音分类模型在一个简单的概率模型的基础上，使用最大的概率值来对数据进行分类预测。语音分类模型是提前训练好的。可从大量的声音样本中提取出声纹特征向量，训练语音分类模型。语音分类模型的训练样本为标记了情绪类型和情绪强度的声纹特征。可将大量各种情绪的成人、儿童的声音转换成声纹特征后进行标注，然后作为样本训练语音分类模型。
从语音信息获得的情绪类型的概率为[vc1,vc2,vc3,vc4,vc5,vc6]，情绪强度为vi。
步骤204，对语音信息进行语音识别得到文字信息，从文字信息中提取与文字相关的第三情绪信息。
在本实施例中，可通过现有的自动语音识别(Automatic Speech Recognition，ASR)技术对语音信息进行语音识别得到文字信息。然后根据文字信息得到与文字相关的第三情绪信息。例如，可通过文字信息进行关键词匹配，如果匹配到“呵呵”“哈哈”等关键词，则说明情绪类型为开心，再根据关键词出现的频次确定情绪强度，一般情况下“哈哈”比“呵呵”的情绪强度要高。
在本实施例的一些可选的实现方式中，从文字信息中提取与文字相关的第三情绪信息，包括：将文字信息输入预先训练的文字分类模型，得到与文字相关的第三情绪信息。用于文字分类的分类模型可包括基于规则的模型、基于概率的模型、基于几何的模型、基于统计的模型等。分类的结果得到文字分类的类别即为情绪信息。分类模型可包括SVM，Logistic Regression和neural network等模型。文字分类模型的训练样本为标记了情绪类型和情绪强度的文字信息。
从文字信息获得的情绪类型的概率为[tc1,tc2,tc3,tc4,tc5,tc6]和情绪强度为ti。
步骤205，将第一情绪信息和第二情绪信息、第三情绪信息进行融合并输出。
在本实施例中，将步骤202-204得到的三种情绪信息进行融合，得到最终的情绪信息。
经过上面的计算可以得到三组情绪信息，包括：
a.从人脸图像获得的[fc1,fc2,fc3,fc4,fc5,fc6]和fi；
b.从语音信息获得的[vc1,vc2,vc3,vc4,vc5,vc6]和vi；
c.从文字信息获得的[tc1,tc2,tc3,tc4,tc5,tc6]和ti；
情绪信息融合过程简单来说就是把上面得到的三组情绪信息融合起来，从而获取最终的情绪信息，用以驱动后面的虚拟三维人脸。
最简单方案就是对上面三组情绪信息进行求和平均。对于第一种情绪的融合概率为c1＝(fc1+vc1+tc1)/3，其他情绪的融合概率同理。情绪融合强度为i＝(fi+vi+ti)/3。然后最终的情绪的类别是这六种情绪概率里面概率值最高的，情绪融合强度就是i。当然在该过程中，使用者也能根据特定的需求选择使用哪些来去来源。
可选地，可为不同的情绪信息设置不同的权重，将加权平均值作为最终的情绪信息。例如，可将分类准确率最高模型得到的情绪信息的权重设置为最大。例如，文字分类模型的分类准确率最高，则将第三情绪信息的权重设置为最大，然后再求三种情绪信息的加权平均值。
继续参见图3，图3是根据本实施例的用于输出信息的方法的应用场景的一个示意图。在图3的应用场景中，用户可通过终端301采集人脸图像302和语音信息303。然后终端将人脸图像302和语音信息303发送到服务器304中。服务器304通过图像分类模型识别出人脸图像302中的第一情绪信息。服务器304通过语音分类模型识别出语音信息303中的第二情绪信息。服务器304通过语音识别器将语音信息转换成文字信息，再通过文字分类模型从文字信息中识别出第三情绪信息。最后服务器304将三种情绪信息进行融合，得到最终的情绪信息。
本公开的上述实施例提供的方法，利用多个来源的情绪表达方式，包括人脸表情、语音情绪以及说话内容等，对每个表达方式单独进行情绪识别以及强度的计算，然后通过融合算法确定当前用户最终的情绪以及情绪的强度。利用得到的信息再去驱动虚拟三维人脸。
进一步参考图4，其示出了用于输出信息的方法的又一个实施例的流程400。该用于输出信息的方法的流程400，包括以下步骤：
步骤401，获取人脸图像和语音信息。
步骤402，从人脸图像中提取与表情相关的第一情绪信息。
步骤403，从语音信息中提取与语音相关的第二情绪信息。
步骤404，对语音信息进行语音识别得到文字信息，从文字信息中提取与文字相关的第三情绪信息。
步骤405，将第一情绪信息和第二情绪信息、第三情绪信息进行融合并输出。
步骤401-405与步骤201-205基本相同，因此不再赘述。
步骤406，基于融合后的情绪信息驱动虚拟三维人脸。
在本实施例中，根据多源的数据得到最终的情绪分类和情绪强度。然后利用每种情绪对应的三维表情以及通过强度调整表情的程度，去驱动虚拟三维人脸。
从图4中可以看出，与图2对应的实施例相比，本实施例中的用于输出信息的方法的流程400体现了对检测到的情绪信息进行应用的步骤。由此，本实施例描述的方案可以在驱动三维虚拟人脸中产生重要帮助：1)提高虚拟三维人脸的情况的精确度；2)提高虚拟三维人脸情绪表达的真实感。
进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种用于输出信息的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，本实施例的用于输出信息的装置500包括：获取单元501、第一提取单元502、第二提取单元503、第三提取单元504和融合单元505。其中，获取单元501，被配置成获取人脸图像和语音信息；第一提取单元502，被配置成从人脸图像中提取与表情相关的第一情绪信息；第二提取单元503，被配置成从语音信息中提取与语音相关的第二情绪信息；第三提取单元504，被配置成对语音信息进行语音识别得到文字信息，从文字信息中提取与文字相关的第三情绪信息；融合单元505，被配置成将第一情绪信息和第二情绪信息、第三情绪信息进行融合并输出。
在本实施例中，用于输出信息的装置500的获取单元501、第一提取单元502、第二提取单元503、第三提取单元504和融合单元505的具体处理可以参考图2对应实施例中的步骤201、步骤202、步骤203、步骤204和步骤205。
在本实施例的一些可选的实现方式中，装置500还包括驱动单元(附图中未示出)，被配置成：基于融合后的情绪信息驱动虚拟三维人脸。
在本实施例的一些可选的实现方式中，第一提取单元502进一步被配置成：将人脸图像输入预先训练的图像分类模型，得到与表情相关的第一情绪信息。
在本实施例的一些可选的实现方式中，第二提取单元503进一步被配置成：从语音信息中提取声纹特征；将声纹特征输入预先训练的语音分类模型，得到与语音相关的第二情绪信息。
在本实施例的一些可选的实现方式中，第三提取单元504进一步被配置成：将文字信息输入预先训练的文字分类模型，得到与文字相关的第三情绪信息。
在本实施例的一些可选的实现方式中，融合单元进一步被配置成：将第一情绪信息和第二情绪信息、第三情绪信息进行求和平均。
在本实施例的一些可选的实现方式中，第一情绪信息和第二情绪信息、第三情绪信息分别包括情绪类型和情绪强度。
下面参考图6，其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器)600的结构示意图。图6示出的服务器仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，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。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开的实施例的方法中限定的上述功能。需要说明的是，本公开的实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、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)、光纤、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。在本公开的实施例中，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***、装置或者器件使用或者与其结合使用。而在本公开的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读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该电子设备执行时，使得该电子设备：获取人脸图像和语音信息；从人脸图像中提取与表情相关的第一情绪信息；从语音信息中提取与语音相关的第二情绪信息；对语音信息进行语音识别得到文字信息，从文字信息中提取与文字相关的第三情绪信息；将第一情绪信息和第二情绪信息、第三情绪信息进行融合并输出。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的***、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，该模块、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，框图和/或流程图中的每个方框、以及框图和/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***来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、第一提取单元、第二提取单元、第三提取单元和融合单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取人脸图像和语音信息的单元”。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (16)
1.一种用于输出信息的方法，包括：
获取人脸图像和语音信息；
从所述人脸图像中提取与表情相关的第一情绪信息；
从所述语音信息中提取与语音相关的第二情绪信息；
对所述语音信息进行语音识别得到文字信息，从所述文字信息中提取与文字相关的第三情绪信息；
将所述第一情绪信息和所述第二情绪信息、所述第三情绪信息进行融合并输出。
2.根据权利要求1所述的方法，其中，所述方法还包括：
基于融合后的情绪信息驱动虚拟三维人脸。
3.根据权利要求1所述的方法，其中，所述从所述人脸图像中提取与表情相关的第一情绪信息，包括：
将所述人脸图像输入预先训练的图像分类模型，得到与表情相关的第一情绪信息。
4.根据权利要求1所述的方法，其中，所述从所述语音信息中提取与语音相关的第二情绪信息，包括：
从所述语音信息中提取声纹特征；
将所述声纹特征输入预先训练的语音分类模型，得到与语音相关的第二情绪信息。
5.根据权利要求1所述的方法，其中，所述从所述文字信息中提取与文字相关的第三情绪信息，包括：
将所述文字信息输入预先训练的文字分类模型，得到与文字相关的第三情绪信息。
6.根据权利要求1所述的方法，其中，所述将所述第一情绪信息和所述第二情绪信息、所述第三情绪信息进行融合，包括：
将所述第一情绪信息和所述第二情绪信息、所述第三情绪信息进行求和平均。
7.根据权利要求1-6之一所述的方法，其中，所述第一情绪信息和所述第二情绪信息、所述第三情绪信息分别包括情绪类型和情绪强度。
8.一种用于输出信息的装置，包括：
获取单元，被配置成获取人脸图像和语音信息；
第一提取单元，被配置成从所述人脸图像中提取与表情相关的第一情绪信息；
第二提取单元，被配置成从所述语音信息中提取与语音相关的第二情绪信息；
第三提取单元，被配置成对所述语音信息进行语音识别得到文字信息，从所述文字信息中提取与文字相关的第三情绪信息；
融合单元，被配置成将所述第一情绪信息和所述第二情绪信息、所述第三情绪信息进行融合并输出。
9.根据权利要求8所述的装置，其中，所述装置还包括驱动单元，被配置成：
基于融合后的情绪信息驱动虚拟三维人脸。
10.根据权利要求8所述的装置，其中，所述第一提取单元进一步被配置成：
将所述人脸图像输入预先训练的图像分类模型，得到与表情相关的第一情绪信息。
11.根据权利要求8所述的装置，其中，所述第二提取单元进一步被配置成：
从所述语音信息中提取声纹特征；
将所述声纹特征输入预先训练的语音分类模型，得到与语音相关的第二情绪信息。
12.根据权利要求8所述的装置，其中，所述第三提取单元进一步被配置成：
将所述文字信息输入预先训练的文字分类模型，得到与文字相关的第三情绪信息。
13.根据权利要求8所述的装置，其中，所述融合单元进一步被配置成：
将所述第一情绪信息和所述第二情绪信息、所述第三情绪信息进行求和平均。
14.根据权利要求8-13之一所述的装置，其中，所述第一情绪信息和所述第二情绪信息、所述第三情绪信息分别包括情绪类型和情绪强度。
15.一种用于输出信息的电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
16.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910559574.5A CN110262665A (zh) | 2019-06-26 | 2019-06-26 | 用于输出信息的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910559574.5A CN110262665A (zh) | 2019-06-26 | 2019-06-26 | 用于输出信息的方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110262665A true CN110262665A (zh) | 2019-09-20 |
Family
ID=67921694
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910559574.5A Pending CN110262665A (zh) | 2019-06-26 | 2019-06-26 | 用于输出信息的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110262665A (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110991427A (zh) * | 2019-12-25 | 2020-04-10 | 北京百度网讯科技有限公司 | 用于视频的情绪识别方法、装置和计算机设备 |
| CN111401198A (zh) * | 2020-03-10 | 2020-07-10 | 广东九联科技股份有限公司 | 观众情绪识别方法、装置及*** |
| CN111833418A (zh) * | 2020-07-14 | 2020-10-27 | 北京百度网讯科技有限公司 | 动画交互方法、装置、设备以及存储介质 |
| CN112085420A (zh) * | 2020-09-29 | 2020-12-15 | 中国银行股份有限公司 | 一种情绪级别确定方法、装置和设备 |
| CN112650831A (zh) * | 2020-12-11 | 2021-04-13 | 北京大米科技有限公司 | 虚拟形象生成方法、装置、存储介质及电子设备 |
| CN112927721A (zh) * | 2019-12-06 | 2021-06-08 | 观致汽车有限公司 | 人车互动方法、***以及车辆和计算机可读存储介质 |
| CN113128534A (zh) * | 2019-12-31 | 2021-07-16 | 北京中关村科金技术有限公司 | 情绪识别的方法、装置以及存储介质 |
| CN113434647A (zh) * | 2021-06-18 | 2021-09-24 | 竹间智能科技（上海）有限公司 | 一种人机交互方法、***及存储介质 |
| CN114639395A (zh) * | 2020-12-16 | 2022-06-17 | 观致汽车有限公司 | 车载虚拟人物的语音控制方法、装置及具有其的车辆 |
| CN115047824A (zh) * | 2022-05-30 | 2022-09-13 | 青岛海尔科技有限公司 | 数字孪生多模态设备控制方法、存储介质及电子装置 |
| CN115049016A (zh) * | 2022-07-20 | 2022-09-13 | 聚好看科技股份有限公司 | 基于情绪识别的模型驱动方法及设备 |
| CN116039653A (zh) * | 2023-03-31 | 2023-05-02 | 小米汽车科技有限公司 | 状态识别方法、装置、车辆及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017084197A1 (zh) * | 2015-11-18 | 2017-05-26 | 深圳创维－Rgb电子有限公司 | 一种基于情感识别的智能家居控制方法及其*** |
| CN106910247A (zh) * | 2017-03-20 | 2017-06-30 | 厦门幻世网络科技有限公司 | 用于生成三维头像模型的方法和装置 |
| CN107066514A (zh) * | 2017-01-23 | 2017-08-18 | 深圳亲友科技有限公司 | 老年人的情绪识别方法和*** |
| CN108255307A (zh) * | 2018-02-08 | 2018-07-06 | 竹间智能科技（上海）有限公司 | 基于多模态情绪与脸部属性识别的人机交互方法、*** |
| CN108764010A (zh) * | 2018-03-23 | 2018-11-06 | 姜涵予 | 情绪状态确定方法及装置 |
| CN109858469A (zh) * | 2019-03-06 | 2019-06-07 | 百度在线网络技术（北京）有限公司 | 用于输出信息的方法和装置 |
-
2019
- 2019-06-26 CN CN201910559574.5A patent/CN110262665A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017084197A1 (zh) * | 2015-11-18 | 2017-05-26 | 深圳创维－Rgb电子有限公司 | 一种基于情感识别的智能家居控制方法及其*** |
| CN107066514A (zh) * | 2017-01-23 | 2017-08-18 | 深圳亲友科技有限公司 | 老年人的情绪识别方法和*** |
| CN106910247A (zh) * | 2017-03-20 | 2017-06-30 | 厦门幻世网络科技有限公司 | 用于生成三维头像模型的方法和装置 |
| CN108255307A (zh) * | 2018-02-08 | 2018-07-06 | 竹间智能科技（上海）有限公司 | 基于多模态情绪与脸部属性识别的人机交互方法、*** |
| CN108764010A (zh) * | 2018-03-23 | 2018-11-06 | 姜涵予 | 情绪状态确定方法及装置 |
| CN109858469A (zh) * | 2019-03-06 | 2019-06-07 | 百度在线网络技术（北京）有限公司 | 用于输出信息的方法和装置 |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112927721A (zh) * | 2019-12-06 | 2021-06-08 | 观致汽车有限公司 | 人车互动方法、***以及车辆和计算机可读存储介质 |
| CN110991427A (zh) * | 2019-12-25 | 2020-04-10 | 北京百度网讯科技有限公司 | 用于视频的情绪识别方法、装置和计算机设备 |
| CN113128534A (zh) * | 2019-12-31 | 2021-07-16 | 北京中关村科金技术有限公司 | 情绪识别的方法、装置以及存储介质 |
| CN111401198A (zh) * | 2020-03-10 | 2020-07-10 | 广东九联科技股份有限公司 | 观众情绪识别方法、装置及*** |
| CN111401198B (zh) * | 2020-03-10 | 2024-04-23 | 广东九联科技股份有限公司 | 观众情绪识别方法、装置及*** |
| CN111833418B (zh) * | 2020-07-14 | 2024-03-29 | 北京百度网讯科技有限公司 | 动画交互方法、装置、设备以及存储介质 |
| CN111833418A (zh) * | 2020-07-14 | 2020-10-27 | 北京百度网讯科技有限公司 | 动画交互方法、装置、设备以及存储介质 |
| CN112085420A (zh) * | 2020-09-29 | 2020-12-15 | 中国银行股份有限公司 | 一种情绪级别确定方法、装置和设备 |
| CN112650831A (zh) * | 2020-12-11 | 2021-04-13 | 北京大米科技有限公司 | 虚拟形象生成方法、装置、存储介质及电子设备 |
| CN114639395A (zh) * | 2020-12-16 | 2022-06-17 | 观致汽车有限公司 | 车载虚拟人物的语音控制方法、装置及具有其的车辆 |
| CN113434647B (zh) * | 2021-06-18 | 2024-01-12 | 竹间智能科技（上海）有限公司 | 一种人机交互方法、***及存储介质 |
| CN113434647A (zh) * | 2021-06-18 | 2021-09-24 | 竹间智能科技（上海）有限公司 | 一种人机交互方法、***及存储介质 |
| CN115047824A (zh) * | 2022-05-30 | 2022-09-13 | 青岛海尔科技有限公司 | 数字孪生多模态设备控制方法、存储介质及电子装置 |
| CN115049016A (zh) * | 2022-07-20 | 2022-09-13 | 聚好看科技股份有限公司 | 基于情绪识别的模型驱动方法及设备 |
| CN115049016B (zh) * | 2022-07-20 | 2024-06-14 | 聚好看科技股份有限公司 | 基于情绪识别的模型驱动方法及设备 |
| CN116039653A (zh) * | 2023-03-31 | 2023-05-02 | 小米汽车科技有限公司 | 状态识别方法、装置、车辆及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110262665A (zh) | 用于输出信息的方法和装置 | |
| CN111028827B (zh) | 基于情绪识别的交互处理方法、装置、设备和存储介质 | |
| CN111459290B (zh) | 交互意图确定方法及装置、计算机设备及存储介质 | |
| CN111415677B (zh) | 用于生成视频的方法、装置、设备和介质 | |
| US11475897B2 (en) | Method and apparatus for response using voice matching user category | |
| CN110298906B (zh) | 用于生成信息的方法和装置 | |
| CN109036405A (zh) | 语音交互方法、装置、设备及存储介质 | |
| CN109599113A (zh) | 用于处理信息的方法和装置 | |
| CN107492379A (zh) | 一种声纹创建与注册方法及装置 | |
| CN107657017A (zh) | 用于提供语音服务的方法和装置 | |
| CN110288682A (zh) | 用于控制三维虚拟人像口型变化的方法和装置 | |
| CN112181127A (zh) | 用于人机交互的方法和装置 | |
| CN110446066A (zh) | 用于生成视频的方法和装置 | |
| CN109934191A (zh) | 信息处理方法和装置 | |
| CN112669876B (zh) | 情绪识别方法、装置、计算机设备及存储介质 | |
| CN112949708A (zh) | 情绪识别方法、装置、计算机设备和存储介质 | |
| CN109671435A (zh) | 用于唤醒智能设备的方法和装置 | |
| Gogate et al. | A novel brain-inspired compression-based optimised multimodal fusion for emotion recognition | |
| CN113380271A (zh) | 情绪识别方法、***、设备及介质 | |
| US11580971B2 (en) | Photo album management method, storage medium and electronic device | |
| CN114882861A (zh) | 语音生成方法、装置、设备、介质及产品 | |
| CN114138960A (zh) | 用户意图识别方法、装置、设备及介质 | |
| WO2021128847A1 (zh) | 终端交互方法、装置、计算机设备及存储介质 | |
| CN108962226A (zh) | 用于检测语音的端点的方法和装置 | |
| Ali et al. | Privacy enhanced speech emotion communication using deep learning aided edge computing |
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 |