[发明专利]一种基于PAD的影像情感标注的方法

说明书

本发明提供了一种基于PAD的影像情感标注的方法，包括以下步骤：步骤1，收集情感词语构建情感词语集合，评定并计算情感词语集合中的每个情感词语在PAD空间的空间坐标值；步骤2，设计图像来表达对应的情感词语，并根据图像构建图像库，为每个图像选择最贴切的第一情感词语并进行初次验证；步骤3，评定并计算影像库中的每个图像在PAD空间的坐标值的平均值，得到每个图像基于PAD空间的空间坐标值；步骤4，对图像与情感词语集合中的情感词语在PAD空间中的欧式距离进行计算，根据欧式距离对图像选择的第一情感词语进行二次验证；步骤5，二次验证通过后，将第一情感词语作为情感标签为对应的图像进行标注。

技术领域

本发明属于数据分析技术领域，具体涉及一种基于PAD的影像情感标注的方法。

背景技术

随着近年来计算机技术在图像及语音处理方面的快速发展，情感计算已成为人机交互方面的一个研究热点。大量的影像数据携带了情感信息，如何有效表示和描述图像的情感，并且给予量化，成为影像标注与检索领域的一个重要且有挑战性的课题。影像情感标注作为一种特殊的影像分类技术，无论是技术方向还是应用方向都还处在不断探索中。不同于文本情感分析，影像中的情感是隐藏的，是一种高级语义情感理解，面对互联网中大量的图片以及视频信息，需要更有效的方法完成影像特征的抽取、情感判别与分类。

现有的图片情感标注技术主要分为两类：传统图片情感分析和深度学习。

传统图片情感分析的一个重要内容是对视觉特征的提取，这需要从底层、中层或高层分别进行提取。底层特征的提取需要对图片内容中的“颜色”“纹理”“构图”“内容”等视觉特征进行提取，这是一个不断提高判别准确率的过程。仅从图像底层视觉特征进行情感分析是不可靠的，和人类感知存在一定的偏差，相同的图像可能会在不同的对象或不同的时间产生不同的情感，即底层视觉特征与高层人类感知存在鸿沟。目前多数中高层特征的研究主要针对人类的脸部特征，如在面部表情情感分析中将照明、姿势、面部尺寸和面部标准误差作为高层特征进行分析。这种方式情感标注方式过程上比较繁琐。

深度学习的方法在于构建精确的算法，以及提高算法的准确率，且需要大量的数据集作为前期训练，因此前期准确率会比较低下。例如，CNN模型具有容易出现梯度消散问题、空间关系辨识度差、物体大幅度旋转之后辨识能力低下等缺点，针对这些问题采用相应的优化算法是提高模型准确率的关键。研究发现模型准确率会随着神经网络层数的增加而提高,但模型结构的复杂性会加大计算量，延长训练模型时间，并且训练数据集大小也会在一定程度上影响模型的准确率，因此深度学习的方法还需要不断地优化。

发明内容

本发明是为了解决上述问题而进行的，目的在于提供一种基于PAD的影像情感标注的方法。

本发明提供了一种基于PAD的影像情感标注的方法，具有这样的特征，包括以下步骤：步骤1，收集情感词语构建情感词语集合，评定并计算情感词语集合中的每个情感词语在PAD空间的空间坐标值；

步骤2，设计图像来表达对应的情感词语，并根据图像构建图像库，为每个图像选择最贴切的第一情感词语并进行初次验证；

步骤3，评定并计算影像库中的每个图像在PAD空间的坐标值的平均值，得到每个图像基于PAD空间的空间坐标值；

步骤4，对图像与情感词语集合中的情感词语在PAD空间中的欧式距离进行计算，根据欧式距离对图像选择的第一情感词语进行二次验证；

步骤5，二次验证通过后，将第一情感词语作为情感标签为对应的图像进行标注。

在本发明提供的基于PAD的影像情感标注的方法中，还可以具有这样的特征：其中，步骤1中，PAD空间由愉悦度、激活度和优势度三个维度构成，通过人工评定对每个情感词语的愉悦度、激活度和优势度进行评分并分别计算各评分的平均值，作为每个情感词语在PAD空间的空间坐标值。