分析物理属性的系统和方法与流程

背景技术：

1、许多行业将受益于分析物理属性以获得关于人所感受的情绪和人所具有的思想的线索。过去在图像或视频中寻找情绪或思想的尝试有些粗糙，用相机寻找微笑或皱眉，并注意通常与这些面部动作相关的情绪或思想。这些分析尝试不是个体化的，并且是过分简单化的，因为它们无法解释情绪或思想的其他指示。

技术实现思路

1、可以公开一种分析诸如从视频到数据的物理属性的方法。该方法可以识别视频的特征，选择视频中的特征，并且使用视频变换算法将特征转换成多个时间点处的特征数据。该方法可以存储特征数据，使用比较算法将特征数据与先前的特征数据进行比较，使用评分算法对比较进行评分，并确定分数是否超过阈值。

1.一种分析要分析的思想指示和模式的物理属性的指示的方法，包括：

2.根据权利要求1所述的方法，其中，所述物理传感器包括来自包括以下的组中的至少一个：

3.根据权利要求2所述的方法，还包括：如果所述物理传感器是图像传感器，则评分机构确定所述点在两个时间点之间何时显著改变或保持相对稳定。

4.根据权利要求2所述的方法，其中，如果所述物理传感器是图像传感器，则视频变换算法是快速傅里叶变换（fft）算法。

5.根据权利要求2所述的方法，其中，如果所述物理传感器是图像传感器，则所述特征包括包括以下的组中的至少一个：边缘、颜色、形状或关键点。

6.根据权利要求2所述的方法，还包括：如果所述物理传感器是图像传感器，则分析大量视频以从这些视频创建模式或特征表示的数据库。

7.根据权利要求2所述的方法，其中，如果所述物理传感器是图像传感器，则比较算法将所述视频与所述视频数据库中的视频进行比较。

8.根据权利要求7所述的方法，其中，所述比较算法包括相似性度量，所述相似性度量包括欧几里得距离、余弦相似性或时间模式的动态时间规整中的至少一个。

9.根据权利要求2所述的方法，其中，如果所述物理传感器是图像传感器，则在现有数据集上的模型上训练机器学习模型，并使用所述模型来预测所述新视频中的移动是否与已知模式匹配。

10.根据权利要求9所述的方法，其中，所述机器学习模型用于基于过去的模式识别来预测未来动作。

11.根据权利要求9所述的方法，其中，所述机器学习模型用于确定模式偏差，并且其中，所述模式偏差用于确定未来动作。

12.根据权利要求4所述的方法，还包括确定相似性度量以比较所述fft结果。

13.根据权利要求12所述的方法，还包括使用fft结果之间的欧几里得距离。

14.根据权利要求13所述的方法，还包括：

15.根据权利要求2所述的方法，还包括：如果所述物理传感器是图像传感器，则：