[发明专利]一种图像的情感分类方法、存储介质和服务器

权利要求书

1.一种图像的情感分类方法，其特征在于，包括：

获取待处理图像；

将所述待处理图像分别输入预先训练完成的多个卷积神经网络模型，得到输出的多个匹配度结果，不同的卷积神经网络模型由不同情感类型的样本图片训练得到；

若所述多个匹配度结果中的最大值大于或等于预设的阈值，则将输出所述最大值的卷积神经网络模型对应的情感类型确定为所述待处理图像的情感类型；

若所述最大值小于所述阈值，则获取所述样本图片的特征向量和所述待处理图像的特征向量；

基于获取到的特征向量分别进行k-means聚类运算以及KNN分类运算；

根据所述k-means聚类运算的结果确定所述待处理图像的第一情感类型；

根据所述KNN分类运算的结果确定所述待处理图像的第二情感类型；

若所述第一情感类型和所述第二情感类型相同，则将所述相同的情感类型确定为所述待处理图像的情感类型。

2.根据权利要求1所述的图像的情感分类方法，其特征在于，所述样本图片通过以下步骤获得：

从预先构建的情感词汇表中提取情感关键词；

将提取到的情感关键词输入搜索引擎，检索与所述情感关键词对应的图片；

将检索到的图片确定为以所述情感关键词为情感类型的样本图片。

3.根据权利要求1所述的图像的情感分类方法，其特征在于，所述将所述待处理图像分别输入预先训练完成的多个卷积神经网络模型包括：

获取图像情感分类记录，所述图像情感分类记录包含多个已分类图像的情感分类结果；

根据所述情感分类结果分别统计各个情感类型包含的已分类图像的数量；

将各个所述卷积神经网络模型按照对应的情感类型包含的已分类图像的数量由高至低的顺序排序；

将所述待处理图像按照所述排序依次输入各个所述卷积神经网络模型；

在将所述待处理图像按照所述排序依次输入各个所述卷积神经网络模型的过程中，若任意一个卷积神经网络模型输出的匹配度结果大于或等于所述阈值，则停止将所述待处理图像输入下一个卷积神经网络模型。

4.根据权利要求1所述的图像的情感分类方法，其特征在于，所述将所述待处理图像分别输入预先训练完成的多个卷积神经网络模型，得到输出的多个匹配度结果包括：

将所述待处理图像分别输入各个所述卷积神经网络模型，得到各个所述卷积神经网络模型输出的匹配度；

将各个所述卷积神经网络模型输出的匹配度分别乘以各个所述卷积神经网络模型对应的权重系数，得到所述匹配度结果；

其中，各个所述卷积神经网络模型对应的权重系数根据以下步骤确定：

分别统计各个所述卷积神经网络模型的样本图片数量以及识别准确率；

根据各个所述卷积神经网络模型的样本图片数量以及识别准确率确定各个所述卷积神经网络模型对应的权重系数。

5.根据权利要求1至4中任一项所述的图像的情感分类方法，其特征在于，所述基于获取到的特征向量进行k-means聚类运算，根据所述k-means聚类运算的结果确定所述待处理图像的第一情感类型包括：

从所述样本图片的特征向量中任意选取预设数量的特征向量作为初始聚类中心，开始聚类运算；

当所述聚类运算迭代收敛后，得到各个最终的目标聚类中心；

分别计算所述待处理图像的特征向量和各个所述目标聚类中心之间的距离；

将所述距离最小的目标聚类中心对应的样本图片的情感类型确定为所述待处理图像的第一情感类型。

6.根据权利要求1至4中任一项所述的图像的情感分类方法，其特征在于，所述基于获取到的特征向量进行KNN分类运算，根据所述KNN分类运算的结果确定所述待处理图像的第二情感类型包括：

计算所述待处理图像的特征向量和各个所述样本图片的特征向量之间的欧式距离；

确定各个所述样本图片的特征向量中所述欧式距离最小的n个特征向量，n为大于1的整数；

统计所述n个特征向量分布于各个所述样本图片的比例；

将所述比例最大的样本图片的情感类型确定为所述待处理图像的第二情感类型。