CN114399827B - 基于面部微表情的高校毕业生职业性格测试方法及*** - Google Patents
基于面部微表情的高校毕业生职业性格测试方法及*** Download PDFInfo
- Publication number
- CN114399827B CN114399827B CN202210244199.7A CN202210244199A CN114399827B CN 114399827 B CN114399827 B CN 114399827B CN 202210244199 A CN202210244199 A CN 202210244199A CN 114399827 B CN114399827 B CN 114399827B
- Authority
- CN
- China
- Prior art keywords
- micro
- test
- expression
- acquiring
- target object
- 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.)
- Active
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 249
- 230000001815 facial effect Effects 0.000 title claims abstract description 135
- 230000014509 gene expression Effects 0.000 claims abstract description 85
- 230000008859 change Effects 0.000 claims abstract description 74
- 238000000034 method Methods 0.000 claims abstract description 63
- 230000008569 process Effects 0.000 claims abstract description 46
- 230000008451 emotion Effects 0.000 claims description 49
- 238000001514 detection method Methods 0.000 claims description 48
- 230000002159 abnormal effect Effects 0.000 claims description 46
- 238000012795 verification Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 20
- 238000011161 development Methods 0.000 claims description 13
- 230000007115 recruitment Effects 0.000 claims description 13
- 239000012634 fragment Substances 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 8
- 230000003287 optical effect Effects 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 4
- 210000003128 head Anatomy 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 206010063659 Aversion Diseases 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 210000004709 eyebrow Anatomy 0.000 description 2
- 210000001097 facial muscle Anatomy 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000001755 vocal effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/167—Personality evaluation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/105—Human resources
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Educational Technology (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Psychology (AREA)
- Educational Administration (AREA)
- Psychiatry (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Child & Adolescent Psychology (AREA)
- Heart & Thoracic Surgery (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Developmental Disabilities (AREA)
- Hospice & Palliative Care (AREA)
- Social Psychology (AREA)
- Pathology (AREA)
- Primary Health Care (AREA)
Abstract
本发明公开了一种基于面部微表情的高校毕业生职业性格测试方法及***，获取目标对象在进行职业性格测试时的帧图像信息，将所述帧图像信息进行预处理，获取目标对象的面部特征；根据所述面部特征进行目标用户注意力及微表情变化的检测识别，通过所述注意力及微表情变化根据预设评判标准生成注意力权重与微表情权重；根据所述注意力权重与微表情权重判断目标用户进行职业性格测试过程中选择的信效度；通过所述信效度结合职业性格测试的结果生成目标用户职业性格测试报告。本发明将目标用户的面部微表情及注意力变化与职业性格测试结合，提高了目标对象职业性格测试的准确性。
Description
技术领域
本发明涉及心理学测试技术领域，更具体的，涉及一种基于面部微表情的高校毕业生职业性格测试方法及***。
背景技术
随着高等教育的普及,高校毕业生数量的逐年增加,毕业生就业难的问题也逐年凸显,大学生找工作难成了当前高校的一个难题。并且伴随着心理学的发展,人类性格和行为的辨认和判别机制越来越成熟,因此部分企业借鉴心理学的研究成果,将人力资源管理工作与职业性格测试相联系,目的是为了找寻到最适合企业的员工，因此高校在进行毕业生就业指导工作时应与时俱进，而现阶段毕业生就业指导起步晚、指导体系不成熟,已经无法满足大学生对就业指导的需求，并且传统的高校毕业生职业性格测试由于存在人为主观因素并不能真实反映高校毕业生的职业性格，就业指导工作不能进行针对性开展。
为了提高高校毕业生职业性格测试的准确性，需要开发一款***与之配合进行实现，该***通过获取目标对象在进行职业性格测试时的帧图像信息，并进行预处理，获取目标对象的面部特征；根据面部特征进行目标用户注意力及微表情变化的检测识别，通过所述注意力及微表情变化根据预设评判标准生成注意力权重与微表情权重；根据所述注意力权重与微表情权重判断目标用户进行职业性格测试过程中选择的信效度；通过所述信效度结合职业性格测试的结果生成目标用户职业性格测试报告。在该***实现过程中，如何根据目标用户的注意力及微表情变化获取测试过程中选取的信效度是亟不可待需要解决的问题之一。
发明内容
为了解决上述技术问题，本发明提出了一种基于面部微表情的高校毕业生职业性格测试方法及***。
本发明第一方面提供了一种基于面部微表情的高校毕业生职业性格测试方法，包括：
获取目标对象在进行职业性格测试时的帧图像信息，将所述帧图像信息进行预处理，获取目标对象的面部特征；
根据所述面部特征进行目标用户注意力及微表情变化的检测识别，通过所述注意力及微表情变化根据预设评判标准生成注意力权重与微表情权重；
根据所述注意力权重与微表情权重判断目标用户进行职业性格测试过程中选择的信效度；
通过所述信效度结合职业性格测试的结果生成目标用户职业性格测试报告。
本方案中，所述获取目标对象在进行职业性格测试时的帧图像信息，将所述特征图像信息进行预处理，获取目标对象的面部特征，具体为：
获取目标对象在进行职业性格测试时的原始视频，将所述原始视频进行解码获取帧图像信息；
根据所述帧图像信息进行定位获取目标对象的面部图像数据，根据所述面部图像获取目标对象的面部感兴趣区域，通过定位面部感兴趣区域的人脸关键点提取面部感兴趣区域特征；
根据所述面部感兴趣特征在高校毕业生信息数据库中进行身份核验，将所述面部感兴趣特征与高校毕业生信息数据库中的目标对象对应的照片信息进行相似度判断；
若所述相似度大于预设相似度阈值，则目标对象身份核验通过，进行职业性格测试。
本方案中，根据所述面部特征进行目标用户微表情的的检测识别，具体为：
基于3D-CNN构建微表情检测模型，通过CASME数据库获取样本数据，将所述样本数据进行面部特征提取，将所述面部特征进行归一化处理，生成并将所述样本数据分为训练集与验证集；
通过所述训练集对所述微表情检测模型进行训练，通过多次迭代训练对微表情检测模型进行相关参数的调整；
通过Softmax层获取计算微表情的预测概率，根据预测概率最大的情绪作为微表情检测模型最终预测的情绪；
根据所述验证集对微表情检测模型最终预测的情绪进行测试，计算模型最终预测情绪与验证集中样本数据的偏差率；
判断所述偏差率是否小于预设偏差率阈值，若小于，则证明所述微表情检测模型的精度符合预设标准，输出微表情检测模型；
通过所述微表情检测模型根据目标对象的面部特征获取目标对象在第n项职业性格测试作答过程中的微表情变化及情绪变化。
本方案中，根据目标用户注意力变化获取注意力权重，具体为：
通过面部感兴趣区域获取目标对象在目标时刻的脸部轮廓特征，并获取所述脸部轮廓特征的位置坐标作为面部轮廓初始位置坐标；
判断目标对象在第n项职业性格测试作答过程中的面部偏转变化，将面部轮廓实时位置坐标与所述面部轮廓初始位置坐标进行对比生成，面部偏转偏差；
获取作答过程中所述面部偏转偏差大于偏差阈值的次数以及大于偏差阈值的持续时间，生成面部偏转异常信息；
同时，获取目标对象的视线落点，判断目标对象的视线落点不处于预设范围的次数及持续时间，生成视线落点异常信息；
根据所述面部偏转异常信息及视线落点异常信息通过预设评分标准评估目标对象在第n项职业性格测试作答过程中的注意力得分；
根据所述注意力得分获取第n项职业性格测试的注意力权重。
本方案中，根据目标用户微表情变化获取微表情权重，具体为：
获取目标对象在第n项职业性格测试作答过程中的微表情变化，通过大数据获取表情与心理学测试中消极情绪的关联信息，根据所述关联信息提取消极情绪对应的微表情片段；
通过目标对象的微表情变化获取消极情绪对应的微表情片段相似度，根据所述相似度获取微表情权重。
本方案中，所述的通过所述信效度结合职业性格测试的结果生成目标用户职业性格测试报告，具体为：
将目标用户在每项职业性格测试中的选择结果与所述信效度进行匹配，生成每项测试的最终得分；
将所述每项测试的最终得分进行汇总，并与职业性格测试评分标准进行性格对比判断，生成目标对象的职业性格测试报告；
获取所述职业性格测试报告中的工作环境倾向性及发展建议，根据所述工作环境倾向性获取目标对象的推荐职业类型；
连接高校就业平台数据库，根据所述推荐职业类型及发展建议为目标用户提供招聘信息推荐。
本发明第二方面还提供了一种基于面部微表情的高校毕业生职业性格测试***，该***包括：存储器、处理器，所述存储器中包括一种基于面部微表情的高校毕业生职业性格测试方法程序，所述一种基于面部微表情的高校毕业生职业性格测试方法程序被所述处理器执行时实现如下步骤：
获取目标对象在进行职业性格测试时的帧图像信息，将所述帧图像信息进行预处理，获取目标对象的面部特征；
根据所述面部特征进行目标用户注意力及微表情变化的检测识别，通过所述注意力及微表情变化根据预设评判标准生成注意力权重与微表情权重；
根据所述注意力权重与微表情权重判断目标用户进行职业性格测试过程中选择的信效度；
通过所述信效度结合职业性格测试的结果生成目标用户职业性格测试报告。
本方案中，所述获取目标对象在进行职业性格测试时的帧图像信息，将所述特征图像信息进行预处理，获取目标对象的面部特征，具体为：
获取目标对象在进行职业性格测试时的原始视频，将所述原始视频进行解码获取帧图像信息；
根据所述帧图像信息进行定位获取目标对象的面部图像数据，根据所述面部图像获取目标对象的面部感兴趣区域，通过定位面部感兴趣区域的人脸关键点提取面部感兴趣区域特征；
根据所述面部感兴趣特征在高校毕业生信息数据库中进行身份核验，将所述面部感兴趣特征与高校毕业生信息数据库中的目标对象对应的照片信息进行相似度判断；
若所述相似度大于预设相似度阈值，则目标对象身份核验通过，进行职业性格测试。
本方案中，根据所述面部特征进行目标用户微表情的的检测识别，具体为：
基于3D-CNN构建微表情检测模型，通过CASME数据库获取样本数据，将所述样本数据进行面部特征提取，将所述面部特征进行归一化处理，生成并将所述样本数据分为训练集与验证集；
通过所述训练集对所述微表情检测模型进行训练，通过多次迭代训练对微表情检测模型进行相关参数的调整；
通过Softmax层获取计算微表情的预测概率，根据预测概率最大的情绪作为微表情检测模型最终预测的情绪；
根据所述验证集对微表情检测模型最终预测的情绪进行测试，计算模型最终预测情绪与验证集中样本数据的偏差率；
判断所述偏差率是否小于预设偏差率阈值，若小于，则证明所述微表情检测模型的精度符合预设标准，输出微表情检测模型；
通过所述微表情检测模型根据目标对象的面部特征获取目标对象在第n项职业性格测试作答过程中的微表情变化及情绪变化。
本方案中，根据目标用户注意力变化获取注意力权重，具体为：
通过面部感兴趣区域获取目标对象在目标时刻的脸部轮廓特征，并获取所述脸部轮廓特征的位置坐标作为面部轮廓初始位置坐标；
判断目标对象在第n项职业性格测试作答过程中的面部偏转变化，将面部轮廓实时位置坐标与所述面部轮廓初始位置坐标进行对比生成，面部偏转偏差；
获取作答过程中所述面部偏转偏差大于偏差阈值的次数以及大于偏差阈值的持续时间，生成面部偏转异常信息；
同时，获取目标对象的视线落点，判断目标对象的视线落点不处于预设范围的次数及持续时间，生成视线落点异常信息；
根据所述面部偏转异常信息及视线落点异常信息通过预设评分标准评估目标对象在第n项职业性格测试作答过程中的注意力得分；
根据所述注意力得分获取第n项职业性格测试的注意力权重。
本方案中，根据目标用户微表情变化获取微表情权重，具体为：
获取目标对象在第n项职业性格测试作答过程中的微表情变化，通过大数据获取表情与心理学测试中消极情绪的关联信息，根据所述关联信息提取消极情绪对应的微表情片段；
通过目标对象的微表情变化获取消极情绪对应的微表情片段相似度，根据所述相似度获取微表情权重。
本方案中，所述的通过所述信效度结合职业性格测试的结果生成目标用户职业性格测试报告，具体为：
将目标用户在每项职业性格测试中的选择结果与所述信效度进行匹配，生成每项测试的最终得分；
将所述每项测试的最终得分进行汇总，并与职业性格测试评分标准进行性格对比判断，生成目标对象的职业性格测试报告；
获取所述职业性格测试报告中的工作环境倾向性及发展建议，根据所述工作环境倾向性获取目标对象的推荐职业类型；
连接高校就业平台数据库，根据所述推荐职业类型及发展建议为目标用户提供招聘信息推荐。
本发明公开了一种基于面部微表情的高校毕业生职业性格测试方法及***，获取目标对象在进行职业性格测试时的帧图像信息，将所述帧图像信息进行预处理，获取目标对象的面部特征；根据所述面部特征进行目标用户注意力及微表情变化的检测识别，通过所述注意力及微表情变化根据预设评判标准生成注意力权重与微表情权重；根据所述注意力权重与微表情权重判断目标用户进行职业性格测试过程中选择的信效度；通过所述信效度结合职业性格测试的结果生成目标用户职业性格测试报告。本发明将目标用户的面部微表情及注意力变化与职业性格测试结合，提高了目标对象职业性格测试的准确性，通过引入微表情检测获取了解高校毕业生的真实想法，进而制定合理的就业指导方案，为高校毕业生提供针对性的就业推荐。
附图说明
图1示出了本发明一种基于面部微表情的高校毕业生职业性格测试方法的流程图；
图2示出了本发明一种基于面部微表情的高校毕业生职业性格测试***的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于面部微表情的高校毕业生职业性格测试方法的流程图。
如图1所示，本发明第一方面提供了一种基于面部微表情的高校毕业生职业性格测试方法，包括：
S102，获取目标对象在进行职业性格测试时的帧图像信息，将所述帧图像信息进行预处理，获取目标对象的面部特征；
S104，根据所述面部特征进行目标用户注意力及微表情变化的检测识别，通过所述注意力及微表情变化根据预设评判标准生成注意力权重与微表情权重；
S106，根据所述注意力权重与微表情权重判断目标用户进行职业性格测试过程中选择的信效度；
S108，通过所述信效度结合职业性格测试的结果生成目标用户职业性格测试报告。
需要说明的是，所述获取目标对象在进行职业性格测试时的帧图像信息，将所述特征图像信息进行预处理，获取目标对象的面部特征，具体为：获取目标对象在进行职业性格测试时的原始视频，将所述原始视频进行解码获取帧图像信息；根据所述帧图像信息进行定位获取目标对象的面部图像数据，根据所述面部图像获取目标对象的面部感兴趣区域，通过定位面部感兴趣区域的人脸关键点提取面部感兴趣区域特征，所述的感兴趣区域特征包括光流特征及纹理特征，其中光流特征反应了感兴趣区域的面部肌肉的方向及动作幅度；根据所述面部感兴趣特征在高校毕业生信息数据库中进行身份核验，将所述面部感兴趣特征与高校毕业生信息数据库中的目标对象对应的照片信息进行相似度判断；若所述相似度大于预设相似度阈值，则目标对象身份核验通过，进行职业性格测试。
需要说明的是，根据所述面部特征进行目标用户微表情的的检测识别，具体为：
基于3D-CNN构建微表情检测模型，通过CASME数据库获取样本数据，将所述样本数据进行面部特征提取，将所述面部特征进行归一化处理，生成并将所述样本数据分为训练集与验证集；通过所述训练集对所述微表情检测模型进行训练，通过多次迭代训练对微表情检测模型进行相关参数的调整；通过Softmax层获取计算微表情的预测概率，根据预测概率最大的情绪作为微表情检测模型最终预测的情绪；根据所述验证集对微表情检测模型最终预测的情绪进行测试，计算模型最终预测情绪与验证集中样本数据的偏差率；判断所述偏差率是否小于预设偏差率阈值，若小于，则证明所述微表情检测模型的精度符合预设标准，输出微表情检测模型；通过所述微表情检测模型根据目标对象的面部特征获取目标对象在第n项职业性格测试作答过程中的微表情变化及情绪变化。
所述CASME数据库由60fps帧率的摄像机采集所得，共有195个微表情样本。CASME数据库被分为A和B两个部分，A类样本在自然光照下采集，样本图像的分辨率为1280×720；B类样本在LED环境下采集，样本图像分辨率为640×480。CASME数据库中的样本标注由参与者与心理学家共同完成，一共包含八类情感：愉快、伤心、厌恶、惊讶、鄙视、害怕、压抑、紧张。
需要说明的是，根据目标用户注意力变化获取注意力权重，具体为：
通过面部感兴趣区域获取目标对象在目标时刻的脸部轮廓特征，并获取所述脸部轮廓特征的位置坐标作为面部轮廓初始位置坐标；
判断目标对象在第n项职业性格测试作答过程中的面部偏转变化，将面部轮廓实时位置坐标与所述面部轮廓初始位置坐标进行对比生成，面部偏转偏差；
获取作答过程中所述面部偏转偏差大于偏差阈值的次数以及大于偏差阈值的持续时间，生成面部偏转异常信息；
同时，获取目标对象的视线落点，判断目标对象的视线落点不处于预设范围的次数及持续时间，生成视线落点异常信息；
根据所述面部偏转异常信息及视线落点异常信息通过预设评分标准评估目标对象在第n项职业性格测试作答过程中的注意力得分；
根据所述注意力得分获取第n项职业性格测试的注意力权重。
需要说明的是，获取目标对象的视线落点可以通过支持向量机或神经网网络等机器学习方法建立视线检测模型进行实现，获取目标对象脸部图像，提取目标对象眼部区域的特征点及目标对象头部姿态；根据眼部区域的特征点获取视线角度和视线置信参数，根据头部姿态、视线角度和视线置信参数及目标对象到显示屏的距离，确定目标对象的视线落点位置。
通过预设多个次数及持续时间阈值信息构建阈值区间，通过判断面部偏转异常信息及视线落点异常信息所落的阈值区间，根据所述阈值区间对应评分标准，获取目标对象在第n项职业性格测试作答过程中的注意力得分，即目标对象的面部偏转异常信息及视线落点异常信息的持续次数及持续时间越多，则目标对象在进行测试作答过程中的注意力得分越少，该项职业性格测试中的注意力权重越小。
需要说明的是，根据目标用户微表情变化获取微表情权重，具体为：
获取目标对象在第n项职业性格测试作答过程中的微表情变化，通过大数据获取表情与心理学测试中消极情绪的关联信息，根据所述关联信息提取消极情绪对应的微表情片段；
通过目标对象的微表情变化获取消极情绪对应的微表情片段相似度，根据所述相似度获取微表情权重。
所述的消极情绪微表情片段主要包括皱眉、抿嘴、鼻孔微张、挑眉等，当通过微表情检测模型对目标对象微表情变化判断为消极情绪变化时，计算目标对象的微表情变化与心理学测试中消极情绪对应的微表情片段的相似度，根据相似度获取目标对象在职业性格测试中的微表情权重，所述相似度计算可以通过欧氏距离或余弦对比等方法进行实现。通过目标对象在职业性格测试中的注意力权重及微表情权重于初始信效度进行计算生成该项职业性格测试结果的信效度
需要说明的是，所述的通过所述信效度结合职业性格测试的结果生成目标用户职业性格测试报告，具体为：
将目标用户在每项职业性格测试中的选择结果与所述信效度进行匹配，生成每项测试的最终得分；
将所述每项测试的最终得分进行汇总，并与职业性格测试评分标准进行性格对比判断，生成目标对象的职业性格测试报告；
获取所述职业性格测试报告中的工作环境倾向性及发展建议，根据所述工作环境倾向性获取目标对象的推荐职业类型；
连接高校就业平台数据库，根据所述推荐职业类型及发展建议为目标用户提供招聘信息推荐。
根据本发明实施例，本发明还包括，在职业性格测试中对目标对象注意力不集中情况进行提示，具体为：
获取职业性格测试中目标对象的面部偏转异常信息及视线落点异常信息，统计目标对象在职业性格测试作答过程中存在面部异常信息及视线落点异常信息的测试项数量信息；
预设异常测试项数量阈值信息，判断所述测试项数量信息是否大于异常测试项数量阈值信息；
若大于，则像目标对象发送提示信息，提示目标对象的测试结果会因为异常情况导致准确率下降，并将提示信息按照预设方式进行显示。
根据本发明实施例，本发明还包括，通过视线落点检测匹配目标用户微表情变化的关键词信息，具体为：
获取目标对象在职业规划测试中微表情变化的的时间戳，根据所述时间戳获取目标对象视线落点的关键词信息；
将所述关键词信息与所述微表情变化进行匹配，获取关键对应的职业性格测试项的测试主题信息；
通过所述测试主题信息获取关键词的剩余测试项，并将剩余测试项中的关键词进行语义替换；
将剩余测试项的测试结果与含有微表情变化的测试项的测试结果进行对比，获取含有微表情变化测试项的测试结果与剩余测试项测试结果的偏差；
根据所述偏差获取获取所述微表情权重的修正信息，根据所述修正信息对微表情权重进行修正。
图2示出了本发明一种基于面部微表情的高校毕业生职业性格测试***的框图。
本发明第二方面还提供了一种基于面部微表情的高校毕业生职业性格测试***2，该***包括：存储器21、处理器22，所述存储器中包括一种基于面部微表情的高校毕业生职业性格测试方法程序，所述一种基于面部微表情的高校毕业生职业性格测试方法程序被所述处理器执行时实现如下步骤：
获取目标对象在进行职业性格测试时的帧图像信息，将所述帧图像信息进行预处理，获取目标对象的面部特征；
根据所述面部特征进行目标用户注意力及微表情变化的检测识别，通过所述注意力及微表情变化根据预设评判标准生成注意力权重与微表情权重；
根据所述注意力权重与微表情权重判断目标用户进行职业性格测试过程中选择的信效度；
通过所述信效度结合职业性格测试的结果生成目标用户职业性格测试报告。
需要说明的是，所述获取目标对象在进行职业性格测试时的帧图像信息，将所述特征图像信息进行预处理，获取目标对象的面部特征，具体为：获取目标对象在进行职业性格测试时的原始视频，将所述原始视频进行解码获取帧图像信息；根据所述帧图像信息进行定位获取目标对象的面部图像数据，根据所述面部图像获取目标对象的面部感兴趣区域，通过定位面部感兴趣区域的人脸关键点提取面部感兴趣区域特征，所述的感兴趣区域特征包括光流特征及纹理特征，其中光流特征反应了感兴趣区域的面部肌肉的方向及动作幅度；根据所述面部感兴趣特征在高校毕业生信息数据库中进行身份核验，将所述面部感兴趣特征与高校毕业生信息数据库中的目标对象对应的照片信息进行相似度判断；若所述相似度大于预设相似度阈值，则目标对象身份核验通过，进行职业性格测试。
需要说明的是，根据所述面部特征进行目标用户微表情的的检测识别，具体为：
基于3D-CNN构建微表情检测模型，通过CASME数据库获取样本数据，将所述样本数据进行面部特征提取，将所述面部特征进行归一化处理，生成并将所述样本数据分为训练集与验证集；通过所述训练集对所述微表情检测模型进行训练，通过多次迭代训练对微表情检测模型进行相关参数的调整；通过Softmax层获取计算微表情的预测概率，根据预测概率最大的情绪作为微表情检测模型最终预测的情绪；根据所述验证集对微表情检测模型最终预测的情绪进行测试，计算模型最终预测情绪与验证集中样本数据的偏差率；判断所述偏差率是否小于预设偏差率阈值，若小于，则证明所述微表情检测模型的精度符合预设标准，输出微表情检测模型；通过所述微表情检测模型根据目标对象的面部特征获取目标对象在第n项职业性格测试作答过程中的微表情变化及情绪变化。
所述CASME数据库由60fps帧率的摄像机采集所得，共有195个微表情样本。CASME数据库被分为A和B两个部分，A类样本在自然光照下采集，样本图像的分辨率为1280×720；B类样本在LED环境下采集，样本图像分辨率为640×480。CASME数据库中的样本标注由参与者与心理学家共同完成，一共包含八类情感：愉快、伤心、厌恶、惊讶、鄙视、害怕、压抑、紧张。
需要说明的是，根据目标用户注意力变化获取注意力权重，具体为：
通过面部感兴趣区域获取目标对象在目标时刻的脸部轮廓特征，并获取所述脸部轮廓特征的位置坐标作为面部轮廓初始位置坐标；
判断目标对象在第n项职业性格测试作答过程中的面部偏转变化，将面部轮廓实时位置坐标与所述面部轮廓初始位置坐标进行对比生成，面部偏转偏差；
获取作答过程中所述面部偏转偏差大于偏差阈值的次数以及大于偏差阈值的持续时间，生成面部偏转异常信息；
同时，获取目标对象的视线落点，判断目标对象的视线落点不处于预设范围的次数及持续时间，生成视线落点异常信息；
根据所述面部偏转异常信息及视线落点异常信息通过预设评分标准评估目标对象在第n项职业性格测试作答过程中的注意力得分；
根据所述注意力得分获取第n项职业性格测试的注意力权重。
需要说明的是，获取目标对象的视线落点可以通过支持向量机或神经网网络等机器学习方法建立视线检测模型进行实现，获取目标对象脸部图像，提取目标对象眼部区域的特征点及目标对象头部姿态；根据眼部区域的特征点获取视线角度和视线置信参数，根据头部姿态、视线角度和视线置信参数及目标对象到显示屏的距离，确定目标对象的视线落点位置。
通过预设多个次数及持续时间阈值信息构建阈值区间，通过判断面部偏转异常信息及视线落点异常信息所落的阈值区间，根据所述阈值区间对应评分标准，获取目标对象在第n项职业性格测试作答过程中的注意力得分，即目标对象的面部偏转异常信息及视线落点异常信息的持续次数及持续时间越多，则目标对象在进行测试作答过程中的注意力得分越少，该项职业性格测试中的注意力权重越小。
需要说明的是，根据目标用户微表情变化获取微表情权重，具体为：
获取目标对象在第n项职业性格测试作答过程中的微表情变化，通过大数据获取表情与心理学测试中消极情绪的关联信息，根据所述关联信息提取消极情绪对应的微表情片段；
通过目标对象的微表情变化获取消极情绪对应的微表情片段相似度，根据所述相似度获取微表情权重。
所述的消极情绪微表情片段主要包括皱眉、抿嘴、鼻孔微张、挑眉等，当通过微表情检测模型对目标对象微表情变化判断为消极情绪变化时，计算目标对象的微表情变化与心理学测试中消极情绪对应的微表情片段的相似度，根据相似度获取目标对象在职业性格测试中的微表情权重，所述相似度计算可以通过欧氏距离或余弦对比等方法进行实现。通过目标对象在职业性格测试中的注意力权重及微表情权重于初始信效度进行计算生成该项职业性格测试结果的信效度
需要说明的是，所述的通过所述信效度结合职业性格测试的结果生成目标用户职业性格测试报告，具体为：
将目标用户在每项职业性格测试中的选择结果与所述信效度进行匹配，生成每项测试的最终得分；
将所述每项测试的最终得分进行汇总，并与职业性格测试评分标准进行性格对比判断，生成目标对象的职业性格测试报告；
获取所述职业性格测试报告中的工作环境倾向性及发展建议，根据所述工作环境倾向性获取目标对象的推荐职业类型；
连接高校就业平台数据库，根据所述推荐职业类型及发展建议为目标用户提供招聘信息推荐。
根据本发明实施例，本发明还包括，在职业性格测试中对目标对象注意力不集中情况进行提示，具体为：
获取职业性格测试中目标对象的面部偏转异常信息及视线落点异常信息，统计目标对象在职业性格测试作答过程中存在面部异常信息及视线落点异常信息的测试项数量信息；
预设异常测试项数量阈值信息，判断所述测试项数量信息是否大于异常测试项数量阈值信息；
若大于，则像目标对象发送提示信息，提示目标对象的测试结果会因为异常情况导致准确率下降，并将提示信息按照预设方式进行显示。
根据本发明实施例，本发明还包括，通过视线落点检测匹配目标用户微表情变化的关键词信息，具体为：
获取目标对象在职业规划测试中微表情变化的的时间戳，根据所述时间戳获取目标对象视线落点的关键词信息；
将所述关键词信息与所述微表情变化进行匹配，获取关键对应的职业性格测试项的测试主题信息；
通过所述测试主题信息获取关键词的剩余测试项，并将剩余测试项中的关键词进行语义替换；
将剩余测试项的测试结果与含有微表情变化的测试项的测试结果进行对比，获取含有微表情变化测试项的测试结果与剩余测试项测试结果的偏差；
根据所述偏差获取获取所述微表情权重的修正信息，根据所述修正信息对微表情权重进行修正。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个***，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，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，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、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程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的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。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (4)
1.一种为目标用户提供招聘信息推荐的方法，其特征在于，包括以下步骤：
获取目标对象在进行职业性格测试时的帧图像信息，将所述帧图像信息进行预处理，获取目标对象的面部特征；
根据所述面部特征进行目标用户注意力及微表情变化的检测识别，通过所述注意力及微表情变化根据预设评判标准生成注意力权重与微表情权重；
根据所述注意力权重与微表情权重判断目标用户进行职业性格测试过程中选择的信效度；
通过所述信效度结合职业性格测试的结果生成目标用户职业性格测试报告；
根据目标用户注意力变化获取注意力权重，具体为：
通过面部感兴趣区域获取目标对象在目标时刻的脸部轮廓特征，并获取所述脸部轮廓特征的位置坐标作为面部轮廓初始位置坐标；
判断目标对象在第n项职业性格测试作答过程中的面部偏转变化，将面部轮廓实时位置坐标与所述面部轮廓初始位置坐标进行对比生成，面部偏转偏差；
获取作答过程中所述面部偏转偏差大于偏差阈值的次数以及大于偏差阈值的持续时间，生成面部偏转异常信息；
同时，获取目标对象的视线落点，判断目标对象的视线落点不处于预设范围的次数及持续时间，生成视线落点异常信息；
根据所述面部偏转异常信息及视线落点异常信息通过预设评分标准评估目标对象在第n项职业性格测试作答过程中的注意力得分；
根据所述注意力得分获取第n项职业性格测试的注意力权重；
根据目标用户微表情变化获取微表情权重，具体为：
获取目标对象在第n项职业性格测试作答过程中的微表情变化，通过大数据获取表情与心理学测试中消极情绪的关联信息，根据所述关联信息提取消极情绪对应的微表情片段；
通过目标对象的微表情变化获取消极情绪对应的微表情片段相似度，根据所述相似度获取微表情权重；
所述的通过所述信效度结合职业性格测试的结果生成目标用户职业性格测试报告，具体为：
将目标用户在每项职业性格测试中的选择结果与所述信效度进行匹配，生成每项测试的最终得分；
将所述每项测试的最终得分进行汇总，并与职业性格测试评分标准进行性格对比判断，生成目标对象的职业性格测试报告；
获取所述职业性格测试报告中的工作环境倾向性及发展建议，根据所述工作环境倾向性获取目标对象的推荐职业类型；
连接高校就业平台数据库，根据所述推荐职业类型及发展建议为目标用户提供招聘信息推荐；
通过视线落点检测匹配目标用户微表情变化的关键词信息，具体为：
获取目标对象在职业规划测试中微表情变化的时间戳，根据所述时间戳获取目标对象视线落点的关键词信息；
将所述关键词信息与所述微表情变化进行匹配，获取关键词对应的职业性格测试项的测试主题信息；
通过所述测试主题信息获取关键词的剩余测试项，并将剩余测试项中的关键词进行语义替换；
将剩余测试项的测试结果与含有微表情变化的测试项的测试结果进行对比，获取含有微表情变化测试项的测试结果与剩余测试项测试结果的偏差；
根据所述偏差获取所述微表情权重的修正信息，根据所述修正信息对微表情权重进行修正。
2.根据权利要求1所述的一种为目标用户提供招聘信息推荐的方法，其特征在于，所述获取目标对象在进行职业性格测试时的帧图像信息，将所述帧图像信息进行预处理，获取目标对象的面部特征，具体为：
获取目标对象在进行职业性格测试时的原始视频，将所述原始视频进行解码获取帧图像信息；
根据所述帧图像信息进行定位获取目标对象的面部图像数据，根据所述面部图像数据获取目标对象的面部感兴趣区域，通过定位面部感兴趣区域的人脸关键点提取面部感兴趣区域特征；
根据所述面部感兴趣区域特征在高校毕业生信息数据库中进行身份核验，将所述面部感兴趣特征与高校毕业生信息数据库中的目标对象对应的照片信息进行相似度判断；
若所述相似度大于预设相似度阈值，则目标对象身份核验通过，进行职业性格测试。
3.根据权利要求1所述的一种为目标用户提供招聘信息推荐的方法，其特征在于，根据所述面部特征进行目标用户微表情的检测识别，具体为：
基于3D-CNN构建微表情检测模型，通过CASME数据库获取样本数据，将所述样本数据进行面部特征提取，将所述面部特征进行归一化处理，生成并将所述样本数据分为训练集与验证集；
通过所述训练集对所述微表情检测模型进行训练，通过多次迭代训练对微表情检测模型进行相关参数的调整；
通过Softmax层获取计算微表情的预测概率，根据预测概率最大的情绪作为微表情检测模型最终预测的情绪；
根据所述验证集对微表情检测模型最终预测的情绪进行测试，计算模型最终预测情绪与验证集中样本数据的偏差率；
判断所述偏差率是否小于预设偏差率阈值，若小于，则证明所述微表情检测模型的精度符合预设标准，输出微表情检测模型；
通过所述微表情检测模型根据目标对象的面部特征获取目标对象在第n项职业性格测试作答过程中的微表情变化及情绪变化。
4.一种为目标用户提供招聘信息推荐的***，其特征在于，该***包括：存储器、处理器，所述存储器中包括一种为目标用户提供招聘信息推荐的方法程序，所述一种为目标用户提供招聘信息推荐的方法程序被所述处理器执行时实现如下步骤：
获取目标对象在进行职业性格测试时的帧图像信息，将所述帧图像信息进行预处理，获取目标对象的面部特征；
根据所述面部特征进行目标用户注意力及微表情变化的检测识别，通过所述注意力及微表情变化根据预设评判标准生成注意力权重与微表情权重；
根据所述注意力权重与微表情权重判断目标用户进行职业性格测试过程中选择的信效度；
通过所述信效度结合职业性格测试的结果生成目标用户职业性格测试报告；
根据目标用户注意力变化获取注意力权重，具体为：
通过面部感兴趣区域获取目标对象在目标时刻的脸部轮廓特征，并获取所述脸部轮廓特征的位置坐标作为面部轮廓初始位置坐标；
判断目标对象在第n项职业性格测试作答过程中的面部偏转变化，将面部轮廓实时位置坐标与所述面部轮廓初始位置坐标进行对比生成，面部偏转偏差；
获取作答过程中所述面部偏转偏差大于偏差阈值的次数以及大于偏差阈值的持续时间，生成面部偏转异常信息；
同时，获取目标对象的视线落点，判断目标对象的视线落点不处于预设范围的次数及持续时间，生成视线落点异常信息；
根据所述面部偏转异常信息及视线落点异常信息通过预设评分标准评估目标对象在第n项职业性格测试作答过程中的注意力得分；
根据所述注意力得分获取第n项职业性格测试的注意力权重；
根据目标用户微表情变化获取微表情权重，具体为：
获取目标对象在第n项职业性格测试作答过程中的微表情变化，通过大数据获取表情与心理学测试中消极情绪的关联信息，根据所述关联信息提取消极情绪对应的微表情片段；
通过目标对象的微表情变化获取消极情绪对应的微表情片段相似度，根据所述相似度获取微表情权重；
所述的通过所述信效度结合职业性格测试的结果生成目标用户职业性格测试报告，具体为：
将目标用户在每项职业性格测试中的选择结果与所述信效度进行匹配，生成每项测试的最终得分；
将所述每项测试的最终得分进行汇总，并与职业性格测试评分标准进行性格对比判断，生成目标对象的职业性格测试报告；
获取所述职业性格测试报告中的工作环境倾向性及发展建议，根据所述工作环境倾向性获取目标对象的推荐职业类型；
连接高校就业平台数据库，根据所述推荐职业类型及发展建议为目标用户提供招聘信息推荐；
通过视线落点检测匹配目标用户微表情变化的关键词信息，具体为：
获取目标对象在职业规划测试中微表情变化的时间戳，根据所述时间戳获取目标对象视线落点的关键词信息；
将所述关键词信息与所述微表情变化进行匹配，获取关键词对应的职业性格测试项的测试主题信息；
通过所述测试主题信息获取关键词的剩余测试项，并将剩余测试项中的关键词进行语义替换；
将剩余测试项的测试结果与含有微表情变化的测试项的测试结果进行对比，获取含有微表情变化测试项的测试结果与剩余测试项测试结果的偏差；
根据所述偏差获取所述微表情权重的修正信息，根据所述修正信息对微表情权重进行修正。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210244199.7A CN114399827B (zh) | 2022-03-14 | 2022-03-14 | 基于面部微表情的高校毕业生职业性格测试方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210244199.7A CN114399827B (zh) | 2022-03-14 | 2022-03-14 | 基于面部微表情的高校毕业生职业性格测试方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114399827A CN114399827A (zh) | 2022-04-26 |
| CN114399827B true CN114399827B (zh) | 2022-08-09 |
Family
ID=81234014
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210244199.7A Active CN114399827B (zh) | 2022-03-14 | 2022-03-14 | 基于面部微表情的高校毕业生职业性格测试方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114399827B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115358605B (zh) * | 2022-08-26 | 2023-05-05 | 山东心法科技有限公司 | 一种基于多模态融合的职业规划辅助方法、设备及介质 |
Family Cites Families (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010072203A (ja) * | 2008-09-17 | 2010-04-02 | Fuji Xerox Co Ltd | 問題作成装置、問題作成プログラムおよび学習システム |
| TW201501044A (zh) * | 2013-06-24 | 2015-01-01 | Utechzone Co Ltd | 偵測臉部動作以產生訊號的裝置、方法以及電腦可讀取紀錄媒體 |
| CN108304745A (zh) * | 2017-01-10 | 2018-07-20 | 普天信息技术有限公司 | 一种驾驶员驾驶行为检测方法、装置 |
| CN109805943A (zh) * | 2017-11-20 | 2019-05-28 | 徐熠 | 一种基于微表情识别的智能评测***及方法 |
| CN109222888B (zh) * | 2018-11-05 | 2021-03-23 | 温州职业技术学院 | 一种基于眼动技术判断心理测试可靠性的方法 |
| CN109872026A (zh) * | 2018-12-14 | 2019-06-11 | 深圳壹账通智能科技有限公司 | 评测结果生成方法、装置、设备及计算机可读存储介质 |
| CN109767321A (zh) * | 2018-12-18 | 2019-05-17 | 深圳壹账通智能科技有限公司 | 问答过程优化方法、装置、计算机设备和存储介质 |
| CN109977903B (zh) * | 2019-04-03 | 2020-03-17 | 珠海读书郎网络教育有限公司 | 一种智慧课堂学生管理的方法、装置及计算机存储介质 |
| CN110362648A (zh) * | 2019-05-31 | 2019-10-22 | 深圳壹账通智能科技有限公司 | 问卷调查题目的更新方法及装置、存储介质、计算机设备 |
| CN110728182B (zh) * | 2019-09-06 | 2023-12-26 | 平安科技（深圳）有限公司 | 基于ai面试***的面试方法、装置和计算机设备 |
| CN110569347A (zh) * | 2019-09-10 | 2019-12-13 | 出门问问信息科技有限公司 | 一种数据处理方法、装置、存储介质和电子设备 |
| CN111260517A (zh) * | 2020-02-23 | 2020-06-09 | 徐永贵 | 一种手机智能教学与管理平台***及方法 |
| CN111507592B (zh) * | 2020-04-08 | 2022-03-15 | 山东大学 | 一种面向服刑人员的主动改造行为的评估方法 |
| CN111476178A (zh) * | 2020-04-10 | 2020-07-31 | 大连海事大学 | 一种基于2d-3d cnn的微表情识别方法 |
| US11681610B2 (en) * | 2020-05-13 | 2023-06-20 | Data-Core Systems, Inc. | Synthesizing data based on topic modeling for training and testing machine learning systems |
| CN111887867A (zh) * | 2020-07-10 | 2020-11-06 | 衡阳师范学院 | 基于表情识别与心理学测试生成性格的分析方法及*** |
| CN111918133A (zh) * | 2020-07-27 | 2020-11-10 | 深圳创维－Rgb电子有限公司 | 辅导和监督学生写作业的方法、电视机和存储介质 |
| CN112613444A (zh) * | 2020-12-29 | 2021-04-06 | 北京市商汤科技开发有限公司 | 一种行为检测的方法、装置、电子设备及存储介质 |
| CN112613440A (zh) * | 2020-12-29 | 2021-04-06 | 北京市商汤科技开发有限公司 | 一种姿态检测的方法、装置、电子设备及存储介质 |
| CN113837010A (zh) * | 2021-08-30 | 2021-12-24 | 淄博师范高等专科学校 | 一种教育评估***及方法 |
| CN114129165A (zh) * | 2021-12-10 | 2022-03-04 | 北京邮电大学 | 一种基于可信评估量表的心理测评方法、***及存储介质 |
-
2022
- 2022-03-14 CN CN202210244199.7A patent/CN114399827B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN114399827A (zh) | 2022-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107680019B (zh) | 一种考试方案的实现方法、装置、设备及存储介质 | |
| CN108765131B (zh) | 基于微表情的信贷审核方法、装置、终端及可读存储介质 | |
| US20190005359A1 (en) | Method and system for predicting personality traits, capabilities and suggested interactions from images of a person | |
| US7860347B2 (en) | Image-based face search | |
| CN112533051B (zh) | 弹幕信息显示方法、装置、计算机设备和存储介质 | |
| CN107203953A (zh) | 一种基于互联网、表情识别和语音识别的教学***及其实现方法 | |
| CN111126553A (zh) | 智能机器人面试方法、设备、存储介质及装置 | |
| CN109766412B (zh) | 一种基于图像识别的学习内容获取方法及电子设备 | |
| CN105518708A (zh) | 用于验证活体人脸的方法、设备和计算机程序产品 | |
| CN115205764B (zh) | 基于机器视觉的在线学习专注度监测方法、***及介质 | |
| CN113903469A (zh) | 基于人工智能的心理测评方法、装置、电子设备及介质 | |
| US10592733B1 (en) | Computer-implemented systems and methods for evaluating speech dialog system engagement via video | |
| US10997609B1 (en) | Biometric based user identity verification | |
| CN112132030A (zh) | 视频处理方法及装置、存储介质及电子设备 | |
| CN114399827B (zh) | 基于面部微表情的高校毕业生职业性格测试方法及*** | |
| CN111581623A (zh) | 智能数据交互方法、装置、电子设备及存储介质 | |
| CN113010557A (zh) | 一种心理测评***量表随机答题方法及*** | |
| CN111753168A (zh) | 一种搜题的方法、装置、电子设备及存储介质 | |
| CN112053205A (zh) | 通过机器人情绪识别的产品推荐方法及装置 | |
| Boychuk et al. | An exploratory sentiment and facial expressions analysis of data from photo-sharing on social media: The case of football violence | |
| CN110852073A (zh) | 一种为用户定制学习内容的语言学习***及学习方法 | |
| CN114943549A (zh) | 一种广告投放方法及装置 | |
| CN110443122B (zh) | 信息处理方法及相关产品 | |
| 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 | |
| CN108984507A (zh) | 流动性工人的简历生成方法及装置 |
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 |