[发明专利]基于人工智能的案件审判方法、装置及计算机设备

权利要求书

1.一种基于人工智能的案件审判方法，其特征在于，包括：

获取对目标发言人的脸部表情拍摄的目标视频；

以单个问题为单位对所述目标视频进行切割，得到每个问题对应的第一视频片段；

从每个第一视频片段中分别提取目标发言人脸部的动作形态特征，生成特征集；

将提取的特征集输入预先训练好的撒谎评估深度学习模型进行识别，输出所述目标发言人回答每个问题的撒谎评估结果；

展示所述每个问题的撒谎评估结果。

2.根据权利要求1所述的基于人工智能的案件审判方法，其特征在于，从每个第一视频片段中分别提取目标发言人脸部的动作形态特征，生成特征集，具体包括：

按照预设第一时间间隔从所述第一视频片段的开始播放时间点开始等间距地确定出各个抽帧时间点；

将所述第一视频片段中各个所述抽帧时间点对应的视频帧抽取出来，得到各个脸部图像；

判断所述各个脸部图像的组合是否包含目标发言人动作形态特征的特征集，若没有包含目标发言人动作形态特征的特征集，则按照预设第二时间间隔进行操作直至各个脸部图像的组合能完整包含目标发言人动作形态特征的特征集。

3.根据权利要求2所述的基于人工智能的案件审判方法，其特征在于，将提取的特征集输入预先训练得到的撒谎评估深度学习模型进行识别，包括：

将所述特征集构造为待识别特征向量；

根据所述待识别特征向量和预设微表情库中的每个预设表情的预设特征向量，计算所述脸部图像与每个所述预设表情属于同种表情类别的相似概率；

当所述脸部图像与预设微表情库中的第一预设表情属于同种表情类别的相似概率大于预设阈值时，确定所述脸部图像的表情类别为所述第一预设表情的表情类别。

4.根据权利要求1所述的基于人工智能的案件审判方法，其特征在于，所述撒谎评估深度学习模型为深度神经网络，所述撒谎评估深度学习模型通过以下方法预先训练得到：

对所述深度神经网络进行反向传播的迭代训练；

在每次迭代训练的前向传播过程中，确定批量训练图片实例中每个训练图片实例的损失值；

根据各训练图片实例的损失值，从所述批量训练图片实例中确定出所有难度实例；

对所述难度实例进行学习。

5.根据权利要求4所述的基于人工智能的案件审判方法，其特征在于，在每次迭代训练的前向传播过程中，确定批量训练图片实例中每个训练图片实例的损失值，包括：

获取训练图片实例，对所获取的训练图片实例标记标签，构建训练样本集；

获取深度神经网络模型结构及其相应的训练参数，初始化深度神经网络模型；

将预定数量个训练样本组成一个批量训练图片实例输入深度神经网络进行计算，得到批量训练图片实例中每个样本图片的分类标签；

将样本图片的分类标签与所述样本图片的标记标签进行对比，计算每个样本训练图片实例的损失值。

6.根据权利要求4所述的基于人工智能的案件审判方法，其特征在于，根据各训练图片实例的损失值，从所述批量训练图片实例中确定出所有难度实例，包括：

针对任一训练图片实例，对比所述训练图片实例的损失值和第一预设阈值的大小关系；

若该损失值大于或等于所述第一预设阈值，则确定所述训练图片实例为难度实例；

遍历所述批量训练图片实例，查找出所有难度实例。

7.根据权利要求6所述的基于人工智能的案件审判方法，其特征在于，对所述难度实例进行学习，包括：

若所述损失平均值超过第二预设阈值，则放弃学习非难度实例的特征，学习所述所有难度实例的特征；

若所述损失平均值未超过第二预设阈值，则放弃学习所述批量训练图片实例的特征。