[发明专利]一种基于情感分布学习的情感成分分析方法及其系统

权利要求书

1.一种基于情感分布学习的情感成分分析方法，其特征在于，包括如下步骤：

1)获取用于训练的人脸表情图像集，截取出人脸部分；

2)将图像集中的所有图像缩放到统一大小的分辨率；

3)对步骤2)中缩放后的图像提取图像特征向量；

4)请多人给每幅图像的每种基础情感进行打分，计算每种情感的平均分，并进行归一化处理得到该幅图像的情感分布向量；

5)计算每一对基础情感之间的相关系数，利用这个相关系数计算权值矩阵；

6)使用图像特征向量及其情感分布作为训练集，将最大熵模型与Jeffrey散度以及步骤5中的权值矩阵结合起来，再加上两个正则化项生成目标函数，并优化该目标函数得到用于情感分布预测的参数模型,具体方法为：

6.1)将权值加入到Jeffery散度中来计算两个情感分布之间的差异，使用最大熵模型对预测分布建模，并加入两个正则化项，生成的目标函数为：

式中，E表示真实的情感分布，表示预测的情感分布，表示加权Jeffery散度，ξ₁和ξ₂为平衡因子，θ_k表示参数θ的第k个行，表示参数θ每列的平均值组成的向量，θ_kr表示参数θ的第k行第r列个值；

6.2)将步骤4得到的情感分布加入一个虚拟标记v₀，再带入到公式2表示的模型中，然后使用L-BFGS梯度下降法进行优化，训练得到用于预测情感分布的参数模型，v₀的具体取法为：对于每一幅表情图像，对其每种情感的平均分进行由大到小的排序，计算相邻两个情感分数之间的差，取出差值最大的那两个情感标记分数，取其中间值，即为v₀的值；

7)对于待进行情感分布估计的图像先经过步骤1、2、3提取人脸的特征向量，再使用步骤6中训练出来的模型来预测情感分布，若情感标记所对应的值大于虚拟标记成分比，则判定为主要情感成分。

2.如权利要求1所述的基于情感分布学习的情感成分分析方法，其特征在于，所述步骤1中人脸部分截取的具体方法为：手工定位两只眼睛的位置，计算两只眼睛的中心点p、两眼睛之间的距离d，截取出中心点p距离左边缘的距离为l*d，距离右边缘的距离为r*d，距离上边缘的距离为t*d，距离下边缘的距离为b*d的人脸部分，其中l、r、t、d为预设值，分别表示图像从两眼中心点p出发，向左右上下所要截取的距离关于两眼距离的比例。

3.如权利要求1所述的基于情感分布学习的情感成分分析方法，其特征在于，所述步骤3中提取的人脸特征为LBP特征。

4.如权利要求1所述的基于情感分布学习的情感成分分析方法，其特征在于，所述步骤4为开心、生气、惊讶、恶心、害怕、悲伤6种基础情感打分，其中5分为最高分，表示表情与情绪的相关度高，1分为最低分，表示表情与情绪的相关度低。

5.如权利要求1所述的基于情感分布学习的情感成分分析方法，其特征在于，所述步骤5中权值矩阵的具体计算公式为：

λjk=1Λj(ρjk)η|ρjk|≥ϵ0otherwise---(1)]]>

式中，λ_jk为权值矩阵λ的元素，表示第j个情感与第k个情感同时发生的可能性，表示第j个情感与第k个情感之间的相关系数，S_j表示第j个情感的分数向量，由所有打分者对第j个情感的打分组成，表示第j个情感的分数平均值，S_k表示第k个情感的分数向量，由所有打分者对第k个情感的打分组成，表示第k个情感的分数平均值；Λ_j＝Σ_k(|ρ_jk)^η为归一化因子，用来使得Σ_kλ_jk＝1；η是一个正的奇数，用来控制情感间相关系数所起的作用；ε是一个阈值，如果情感间相关系数的绝对值大于这个阈值，就认为起作用，否则就不予以考虑。