论文部分内容阅读
应用中许多图像不仅携带了大量的表象信息,还携带了大量的情感信息,然而目前的图像标注检索技术却大多忽略情感因素。如何有效表示和描述图像的情感,并且给予量化,进而在检索过程中使之能够反映用户的主观倾向,获得符合用户情感需求的检索,成为图像标注与检索领域的一个重要且有挑战性的课题。图像中包含着各类丰富的语义,而情感语义作为一种重要的高级语义内容,在语义图像标注检索的研究中占有十分重要的位置。情感语义的描述、特征提取、情感识别是情感语义标注检索领域最核心的问题。本文针对图像情感语义的标注问题,结合游戏场景以中科院心理研究所图像库为数据源,对相关的情感语义标注检索中的一些关键技术和方法做了深入的研究。首先对图像数据库进行简单分类,提取图像的情感特征属性,其次基于支持向量机(SVM)实现了图像的情感语义分类标注,并基于查准率分析了不同SVM参数、不同特征或特征组合对情感语义分类标注的影响。最终为每个情感语义分类器训练生成特定的语义规则,每个情感语义概念将由若干条情感语义规则确定。实验结果表明,通过选择合适的情感特征属性和SVM参数,SVM分类器能够有效地对图像数据库进行情感语义分类标注。目前,统计学习理论和支持向量机SVM在众多方面都显示出了很好的研究效果,适合样本学习,可以减少用户的负担,更加适用于情感图像标注检索领域的相关情况。同时支持向量机(SVM)以统计学习理论为基础,在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势,正在成为机器学习领域新的研究热点。因此本文在第四章以支持向量机作为情感识别器,主要提取出图像的快乐度和正负情绪激活度等特征属性进行了图像的情感语义标注识别。当通过训练样本确定SVM的模型后,SVM即可进行测试集合的情感识别。本实验的测试图像共178幅,将这些图像的底层特征输入SVM,即可获得它们的类别。通过与预先定义好的类别的对比,根据情感识别正确率公式,即可获得相应的分类标注预测准确率。通过实验结果可以得出:选取合适的样本归一化参数可以有效提高分类标注预测准确率,同时最优参数与样本归一化的组合可以得到更好的实验效果。总的来说,文章主要从以下几个方面对情感语义图像标注检索采取了进一步研究,选择合适的情感形容词描述图像的情感语义,选取两种与图像情感高度相关的情感属性特征,接着在此基础上采用了支持向量机SVM算法作为情感识别算法,并对提出的方法和参数选择进行大量实验,实验结果表明本文方法和参数选择在一定范围内有效实现了图像的情感分类标注。