一种基于深度学习的情绪识别方法及系统与流程

本发明涉及一种工作压力识别，尤其是一种基于深度学习的情绪识别方法及系统。

技术背景

人脸表情是人类交流的重要载体和非语言交流的一种重要方式，它不仅能够表达人类的情感状态、认知活动和人格特征，而且它所富含的人体行为信息与人的情感状态、精神状态、健康状态等其他因素有着极为密切的关联。

人脸表情是人类用以表达情感，传递内心世界和态度的重要途经，因此，可以通过人脸表情来分析和判断员工的工作压力，进而进行心理干预。目前，在企事业单位中，上下班的时候通过面部识别的方式来进行员工的身份认证已经逐步普及开来。因此通过机器学习算法来对人脸表情识，进而可以分析员工的精神状态和心理活动，对状态异常的员工可以提前人工干预。

目前，对于员工工作压力、工作状态的评估通常都是通过员工的业绩表现来事后追溯的。即使有专门的HR人员来跟踪了解员工的工作压力，也做不到每天对全体人员进行研读，更何况这些HR自身也有情绪波动的时候，因此很难客观开展预防性的工作。

也有一些情绪分析系统，需要用户佩戴专门的设备来获取各种体征参数或者由专业人员通过与候选者交谈的方式来了解员工的情绪变动。

技术实现要素：

针对目前技术的不足，本发明提供一种基于深度学习的情绪识别方法及系统。在每天上下班打卡时，利用人脸面部图像采集系统收集员工的人脸面部图像，进而构建人脸表情数据库，利用深度卷积神经网络算法来对人脸面部表情进行识别，对识别出来的情绪进行历史对比分析，如果出现异常则向相关人员发起预警，然后由相关心理辅导人员进行情绪干预。该方法通过历史数据对比分析，提高了情绪分析的准确性，解决情绪干预严重滞后的问题。

按照本发明所提供的设计方案，一种基于深度学习的情绪识别系统，具体包含：

人脸图像采集模块，基于深度学习表情识别模块和表情预警模块三个部分。

所述的人脸图像采集模块，用于获取员工的人脸正面图像，并将图像按照员工的ID和打卡日期的方式存储到图像数据库中。

所述的基于深度学习表情识别模块，在训练阶段实现深度学习网络参数的精细化调整，在完成训练之后进行人脸情绪特征分类。

进一步，在训练阶段实现深度学习网络参数的精细化调整，是在16层深度卷积神经网络VGGNet网络架构上，卷积核大小均为3x3，所有池化层的大小为2x2，步长为2。采用在LFW数据上预训练得到的vgg_face模型参数作为初始化参数。根据标签的员工人脸数据来进行参数调整。

进一步，在完成训练之后进行人脸情绪特征提取，是将员工每次打卡的人脸图像通过表情识别模块计算得到人脸情绪特征，并将该特征进行存储。

所述表情预警模块，是在员工的人脸表情特征按照历史数据对照分析，根据出现异常表情等级和次数发出不同的预警级别。

进一步，异常表情等级是在所分的高兴、平静、悲伤、愤怒、惊讶、厌恶与恐惧七种表情等级，其中的悲伤、愤怒、惊讶、厌恶与恐惧为异常等级。

按照本发明所提供的设计方案，一种基于深度学习的情绪识别方法，具体包含以下步骤：

步骤1.人脸面部图像采集，获取员工的人脸正面图像，并将图像按照员工的ID和打卡日期进行命名，按照员工的ID为关键字存储到图像数据库中。

步骤2.人脸面部图像预处理，将人脸面部图像调整为227*227大小的RGB图像。

步骤3.基于深度学习的面部表情识别，人脸面部图像通过已经训练好的VGGNet网络，计算得到人脸的情绪特征分类，并将情绪分类存储到员工的情绪数据库中。

步骤4.情绪对比分析及预警，在情绪数据库中将情绪异常的员工的过去一周的情绪进行对比，如果只有当天出席情绪异常，向相关的心理辅导人员发出预警，如果连续几天都是情绪异常，则发出严重告警。

优先地，

本发明的有益效果：本发明针对现有情绪分析系统缺乏主动的情绪分析及预警机制，通过提取员工打卡时候的面部信息，利用深度卷积神经网络来进行人脸面部表情识别，并与历史情绪进行对比分析，根据不同的异常情况发出不同告警级别给相关的心理辅导人员，起到了事前及时干预员工情绪，稳定工作状态。

附图说明

图1.本发明的系统示意图

图2.本发明实施例提供的流程图。

具体实施方式

为了使本发明的目的、技术方案即优点更加清楚明白，以下结合附图及实施例，对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

实施例一，参考图1所示，按照本发明所提供的设计方案，一种基于深度学习的情绪识别系统，具体包含：

人脸图像采集模块，基于深度学习表情识别模块和表情预警模块三个部分。

所述的人脸图像采集模块，用于获取员工的人脸正面图像，并将图像按照员工的ID和打卡日期的方式存储到图像数据库中。

所述的基于深度学习表情识别模块，在训练阶段实现深度学习网络参数的精细化调整，在完成训练之后进行人脸情绪特征分类。

实施例二：参考图2所示，步骤101.人脸面部图像采集，获取员工的人脸正面图像，并将图像按照员工的ID和打卡日期进行命名，按照员工的ID为关键字存储到图像数据库中。

步骤102.人脸面部图像预处理，将人脸面部图像调整为227*227大小的RGB图像。

步骤103.基于深度学习的面部表情识别，人脸面部图像通过已经训练好的VGGNet网络，计算得到人脸的情绪特征分类，并将情绪分类存储到员工的情绪数据库中。

步骤104.情绪对比分析及预警，在情绪数据库中将情绪异常的员工的过去一周的情绪进行对比，如果只有当天出席情绪异常，向相关的心理辅导人员发出预警，如果连续几天都是情绪异常，则发出严重告警。

最后应说明的是：以上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。