[发明专利]一种图像的情感分类方法、存储介质和服务器

说明书

本发明涉及计算机技术领域，提出一种图像的情感分类方法、存储介质和服务器。该情感分类方法包括：将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；在获得各个卷积神经网络模型输出的匹配度结果后，确定这些匹配度结果的最大值；若该最大值超过预设的阈值，则将输出该最大值的卷积神经网络模型对应的情感类型确定为该待处理图像的情感类型；而若该最大值小于预设的阈值，则进一步采用k‑means聚类运算以及KNN分类运算的方式确定该待处理图像的情感类型。采用本发明提出的图像的情感分类方法，能够有效提高图像情感分类结果的准确率。

技术领域

本发明涉及计算机技术领域，尤其涉及一种图像的情感分类方法、存储介质和服务器。

背景技术

图像的情感分类，是指根据图像所唤醒的人类情感对图像进行分类，常见的图像情感类别包括愉悦、兴奋、愤怒、厌恶和悲伤等。由于图像的复杂性和人类情感的主观性，利用计算机处理的方法对图像进行情感分类属于非常具有挑战性的任务。目前，主要采用卷积神经网络来进行图像的情感分类，通过将待识别图像输入带有不同情感标签的神经网络模型，然后根据各个模型输出的结果对待识别图像进行分类。然而，仅仅通过一次神经网络模型的匹配计算，得到的图像情感分类结果的准确率较低。

发明内容

有鉴于此，本发明实施例提供了一种图像的情感分类方法、存储介质和服务器，能够提高图像情感分类结果的准确率。

本发明实施例的第一方面，提供了一种图像的情感分类方法，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。

本发明实施例的第二方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如本发明实施例的第一方面提出的图像的情感分类方法的步骤。

本发明实施例的第三方面，提供了一种服务器，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，所述处理器执行所述计算机可读指令时实现如下步骤：

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；