本發明涉及一種工作壓力識別，尤其是一種基于深度學習的情緒識別方法及系統。

技術背景

人臉表情是人類交流的重要載體和非語言交流的一種重要方式，它不僅能夠表達人類的情感狀態、認知活動和人格特征，而且它所富含的人體行為信息與人的情感狀態、精神狀態、健康狀態等其他因素有著極為密切的關聯。

人臉表情是人類用以表達情感，傳遞內心世界和態度的重要途經，因此，可以通過人臉表情來分析和判斷員工的工作壓力，進而進行心理干預。目前，在企事業單位中，上下班的時候通過面部識別的方式來進行員工的身份認證已經逐步普及開來。因此通過機器學習算法來對人臉表情識，進而可以分析員工的精神狀態和心理活動，對狀態異常的員工可以提前人工干預。

目前，對于員工工作壓力、工作狀態的評估通常都是通過員工的業績表現來事后追溯的。即使有專門的HR人員來跟蹤了解員工的工作壓力，也做不到每天對全體人員進行研讀，更何況這些HR自身也有情緒波動的時候，因此很難客觀開展預防性的工作。

也有一些情緒分析系統，需要用戶佩戴專門的設備來獲取各種體征參數或者由專業人員通過與候選者交談的方式來了解員工的情緒變動。

技術實現要素：

針對目前技術的不足，本發明提供一種基于深度學習的情緒識別方法及系統。在每天上下班打卡時，利用人臉面部圖像采集系統收集員工的人臉面部圖像，進而構建人臉表情數據庫，利用深度卷積神經網絡算法來對人臉面部表情進行識別，對識別出來的情緒進行歷史對比分析，如果出現異常則向相關人員發起預警，然后由相關心理輔導人員進行情緒干預。該方法通過歷史數據對比分析，提高了情緒分析的準確性，解決情緒干預嚴重滯后的問題。

按照本發明所提供的設計方案，一種基于深度學習的情緒識別系統，具體包含：

人臉圖像采集模塊，基于深度學習表情識別模塊和表情預警模塊三個部分。

所述的人臉圖像采集模塊，用于獲取員工的人臉正面圖像，并將圖像按照員工的ID和打卡日期的方式存儲到圖像數據庫中。

所述的基于深度學習表情識別模塊，在訓練階段實現深度學習網絡參數的精細化調整，在完成訓練之后進行人臉情緒特征分類。

進一步，在訓練階段實現深度學習網絡參數的精細化調整，是在16層深度卷積神經網絡VGGNet網絡架構上，卷積核大小均為3x3，所有池化層的大小為2x2，步長為2。采用在LFW數據上預訓練得到的vgg_face模型參數作為初始化參數。根據標簽的員工人臉數據來進行參數調整。

進一步，在完成訓練之后進行人臉情緒特征提取，是將員工每次打卡的人臉圖像通過表情識別模塊計算得到人臉情緒特征，并將該特征進行存儲。

所述表情預警模塊，是在員工的人臉表情特征按照歷史數據對照分析，根據出現異常表情等級和次數發出不同的預警級別。

進一步，異常表情等級是在所分的高興、平靜、悲傷、憤怒、驚訝、厭惡與恐懼七種表情等級，其中的悲傷、憤怒、驚訝、厭惡與恐懼為異常等級。

按照本發明所提供的設計方案，一種基于深度學習的情緒識別方法，具體包含以下步驟：

步驟1.人臉面部圖像采集，獲取員工的人臉正面圖像，并將圖像按照員工的ID和打卡日期進行命名，按照員工的ID為關鍵字存儲到圖像數據庫中。

步驟2.人臉面部圖像預處理，將人臉面部圖像調整為227*227大小的RGB圖像。

步驟3.基于深度學習的面部表情識別，人臉面部圖像通過已經訓練好的VGGNet網絡，計算得到人臉的情緒特征分類，并將情緒分類存儲到員工的情緒數據庫中。

步驟4.情緒對比分析及預警，在情緒數據庫中將情緒異常的員工的過去一周的情緒進行對比，如果只有當天出席情緒異常，向相關的心理輔導人員發出預警，如果連續幾天都是情緒異常，則發出嚴重告警。

優先地，

本發明的有益效果：本發明針對現有情緒分析系統缺乏主動的情緒分析及預警機制，通過提取員工打卡時候的面部信息，利用深度卷積神經網絡來進行人臉面部表情識別，并與歷史情緒進行對比分析，根據不同的異常情況發出不同告警級別給相關的心理輔導人員，起到了事前及時干預員工情緒，穩定工作狀態。

附圖說明

圖1.本發明的系統示意圖

圖2.本發明實施例提供的流程圖。

具體實施方式

為了使本發明的目的、技術方案即優點更加清楚明白，以下結合附圖及實施例，對本發明進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本發明，并不用于限定本發明。

實施例一，參考圖1所示，按照本發明所提供的設計方案，一種基于深度學習的情緒識別系統，具體包含：

人臉圖像采集模塊，基于深度學習表情識別模塊和表情預警模塊三個部分。

所述的人臉圖像采集模塊，用于獲取員工的人臉正面圖像，并將圖像按照員工的ID和打卡日期的方式存儲到圖像數據庫中。

所述的基于深度學習表情識別模塊，在訓練階段實現深度學習網絡參數的精細化調整，在完成訓練之后進行人臉情緒特征分類。

實施例二：參考圖2所示，步驟101.人臉面部圖像采集，獲取員工的人臉正面圖像，并將圖像按照員工的ID和打卡日期進行命名，按照員工的ID為關鍵字存儲到圖像數據庫中。

步驟102.人臉面部圖像預處理，將人臉面部圖像調整為227*227大小的RGB圖像。

步驟103.基于深度學習的面部表情識別，人臉面部圖像通過已經訓練好的VGGNet網絡，計算得到人臉的情緒特征分類，并將情緒分類存儲到員工的情緒數據庫中。

步驟104.情緒對比分析及預警，在情緒數據庫中將情緒異常的員工的過去一周的情緒進行對比，如果只有當天出席情緒異常，向相關的心理輔導人員發出預警，如果連續幾天都是情緒異常，則發出嚴重告警。

最后應說明的是：以上實施例僅用以說明本發明的技術方案，而非對其限制；盡管參照前述實施例對本發明進行了詳細的說明，本領域的普通技術人員應當理解：其依然可以對前述各實施例所記載的技術方案進行修改，或者對其中部分技術特征進行等同替換；而這些修改或者替換，并不使相應技術方案的本質脫離本發明各實施例技術方案的精神和范圍。