[发明专利]一种基于迁移学习的绘画情感预测方法

权利要求书

1.一种基于迁移学习的绘画情感预测方法，其特征在于，包括以下具体步骤：

(1)将所有绘画图像调整为227×227大小；

(2)将绘画图像由RGB颜色空间转换成HSV模型，将颜色分量H和S作为绘画图像的颜色特征图像；

(3)采用局部二值模式将绘画图像转换成LBP纹理图像，具体步骤如下：

a、给定邻域半径R＝1，采用圆形LBP算子计算，得到邻域像素个数P＝8；

b、把3*3窗口中心像素的灰度值作为阈值，将该灰度值与其8个邻域像素的灰度值进行比较，若邻域像素的灰度值大于或等于中心像素的灰度值，则将该邻域像素的灰度值置1，反之置0，计算公式如下：

每个像素的LBP_P，R计算如下:

其中，n是邻域像素的编号，g_n是邻域像素的灰度值，g_c是中心像素的灰度值，s(x)是一个符号函数：

c、将(3)b产生一个8位的二进制数，即为LBP_P，R码，将此二进制数转化为十进制数，十进制数表征3*3窗口的LBP值，LBP值来反映3*3窗口的纹理信息，并用LBP值取代3*3窗口中心像素的灰度值；

(4)采用迁移学习方法使用AlexNet网络在ImageNet数据集训练的基础上，微调设置新的网络模型，具体步骤如下：

a、AlexNet网络的输入图像大小为227×227×3，AlexNet网络包含5个卷积层，激活函数采用ReLU，3个2×2的最大池化层和3个全连接层，在ImageNet数据集上进行训练；

b、选取AlexNet网络中的5个卷积层，3个池化层和第一个全连接层，在此之后增加5个全连接层，最后一层的激活函数为sigmoid；

c、对(4)b中的新模型进行参数微调：将(4)a中模型的前5层卷积层和第6层全连接层的网络参数作为目标模型的参数，新增全连接层7～11层的参数采用随机初始化；

(5)将颜色分量H、S和LBP纹理图像分别进行归一化到[0,1]之间，归一化算法为：

其中v为某个像素点的灰度值，v_max为所有像素点灰度值的最大值，v_min为所有像素点灰度值的最小值；

(6)将(5)中归一化后的颜色分量H、S和LBP纹理图像作为绘画图像新的三个通道，并输入到(4)中微调设置新的网络模型中，最终将绘画图像分为“积极”和“消极”两类，从而实现绘画图像情感的自动预测。

2.根据权利要求1所述的一种基于迁移学习的绘画情感预测方法，其特征在于，所述(2)中由RGB颜色空间转换成HSV模型的公式为：

Cmax＝max(R′，G′，B′)；Cmin＝min(R′，G′，B′)；Δ＝Cmax-Cmin

3.根据权利要求1所述的一种基于迁移学习的绘画图像情感预测方法，其特征在于，所述(3)a中采用圆形LBP算子计算，具体为：通过在位移(Rcos(2πn/P)，Rsin(2πn/P))处对绘画图像灰度值进行插值。

4.根据权利要求1所述的一种基于迁移学习的绘画情感预测方法，其特征在于，所述(4)中AlexNet网络的结构为：第1层为卷积层，卷积核个数为96，大小为11χ11，步长为4；第2层为卷积层，卷积核个数为256，大小为5χ5，步长为1；第3层为卷积层，卷积核个数为384，大小为3χ3，步长为1；第4层为卷积层，卷积核个数为384，大小为3χ3，步长为1；第5层为卷积层，卷积核个数为256，大小为3χ3，步长为1；第6-8层为全连接层，分别包含4096、4096和352个输出。

5.根据权利要求1所述的一种基于迁移学习的绘画情感预测方法，其特征在于，所述(4)b中增加5个全连接层的维度分别为：2048，1024，512，256和2。