[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

摘要

本发明公开了一种基于情感分布学习的情感成分分析方法及其系统，先给每幅图像的每种基础情感进行打分，计算情感分布向量和每一对基础情感标记向量之间的相关系数，基于这个相关系数计算权值矩阵；再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散度以及权值矩阵结合起来，加上两个正则化项生成目标函数，优化该目标函数得到用于情感分布预测的参数模型；然后对待进行情感分布估计的图像进行特征提取，使用训练出来的模型预测情感分布，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。本发明提出的方法和系统可以快速、有效地训练出情感成分分析的模型，计算出该表情包含哪些情感以及每种情感所包含的比重。

主权项

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，θk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，θkr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。