The invention relates to an emotion recognition method of GIF animation based on emotion pairs. The method comprises the following steps: (1) train the emotion to the sequence detector; (2) training the middle layer to express the emotion tendency classifier. Put forward GIF animation emotion recognition method based on relative emotion recognition method based on static images is more challenging, and the solution of the relationship between the low-level features and the problem of matching words flat problem. To solve the problem of emotion recognition in GIF animation, the recognition accuracy is higher than the current emotion recognition method based on the underlying features. Micro-blog can be applied to the field of emotion recognition. Compared with the method based on static images, the emotion recognition method is more challenging, and solves the problem of the mismatch between the underlying features and the problem of the relationship between words.
【技术实现步骤摘要】
本专利技术涉及动画情感识别,尤其是涉及一种基于情感对的GIF动画情感识别方法。
技术介绍
“情感对”是一种我们提出的情感中层特征表示方法。GIF图片是社交网络上常见的动画形式。情感识别指的是用计算机算法来识别物体情感倾向的过程,常见的情感倾向有三种:积极、中性和消极。对社交网络上的内容进行情感识别可以分析用户的情感倾向。根据内容的性质不同可以分为文本情感识别,静态图像情感识别和GIF动画情感识别三个领域。文本情感识别采用情感词和语言模型。流行的静态图像情感识别方法采用基于ANP的中层特征表示。目前与本专利技术最相近的技术方案是基于SentiBank的静态图片的情感识别。在国际会议ACMMM论文Large-scalevisualsentimentontologyanddetectorsusingadjectivenounpairs中Borth等人提出了一个视觉情感分类器的集合SentiBank,这个分类器集合构成了一个视觉情感的中层表示。基于SentiBank的方案首先从Flickr的标签数据中提取形容词和名词,将这些形容词和名词组成形容词名词对(ANP)。将这些形容词名词对在YouTube中搜索,剔除不合理的形容词和名词对。之后将这些ANP作为搜索词在Google图片搜索中搜索相关词,作为训练数据集,训练对应ANP的检测器。检测器的模型是SVM.使用的特征是五种底层特征的拼接。现有技术的主要缺点是不适用于GIF动画的情感识别问题。这种不适用主要体现在:1.所采用的底层特征不能直接用于GIF动画。现有技术采用的是静态图片底层的特征,不适用于GIF动画。2. ...
【技术保护点】
一种基于情感对的GIF动画情感识别方法,其特征在于包括以下步骤:(1)训练情感对序列检测子;(2)训练中层表示到情感倾向的分类器。
【技术特征摘要】
1.一种基于情感对的GIF动画情感识别方法,其特征在于包括以下步骤:(1)训练情感对序列检测子;(2)训练中层表示到情感倾向的分类器。2.如权利要求1所述一种基于情感对的GIF动画情感识别方法,其特征在于在步骤(1)中,所述训练情感对序列检测子的具体方法为:(1.1)构建“情感对”模型,在现有“形容词名词对”模型的基础上引入了动词,构成了动词名词对,专门用来描述GIF视频中的动作信息;为了表述方便将“形容词名词对”和“动词名词对”合称为“情感对”;(1.2)概念语义体系的构建,只需要WordNet中的形容词,动词和名词三种类型的单词;其他的例如副词、介词、助词均被删除;对提取出的动词、形容词和名词组合为形容词名词对和动词名词对;(1.3)概念语义的筛选,在删除数词,介词,副词等和“情感对”无关的概念语义词之后,还需要从中筛选出符合目标的概念语义项目;(1.4)基于多任务学习和情感相关性挖掘的“情感对”的检测,我们检测器的输出是相应“情感对”的概率值,输入是GIF动画的视频帧;检测之后的结果是一个长向量,该向量的维度是筛选后“情感对”的个数,该向量将作为该视频帧的中间层特征表示。3.如权利要求2所述一种基于情感对的GIF动画情感识别方法,其特征在于在步骤(1)第(1.3)部分中,所述筛选出符合目标的概念语义项目的具体步骤为:设计情感丰富度权值,构建过程如下:在SentiWordNet中,每个词的情感倾向性分为若干个等级,情感丰富度权值的绝对值越大表示情感倾向越强烈;SentiWeighti=|SentiScorei|SentiScore就是SentiWordNet中该概念语义的情感得分,情感丰富度权值的取值范围是[0,1];设计语义频率权值,构建过程如下:在GIF视频网站Giphy.com中搜索情感词,统计Giphy.com搜索结果中GIF图像的数量Count,每一个概念语义的语义频率权值依据下式得出:Gi...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。