当前情感计算领域的研究主要致力情感本身,比如进行情感识别或情感调节,而对诱发情感或者调节情感状态的素材的选择缺乏专门研究。目前,情感素材的选择一般采用专家评定的方式进行,该方式没有充分考虑个体间的差异性,同时每次试验要进行大量情感素材的评定,非常浪费时间。为此,本论文以IAPS图像作为情感诱发素材,提出了个体依赖的图像情感类别识别方法,对情感素材的选择进行了初步探索。本方法旨在利用少数图像针对个体建立图像(用与情感相关的特征表示)与图像情感类别(负性、中性或正性)之间的关系模型。从而对一幅新图像,该模型能利用其特征识别出对此个体而言,这幅图像是负性、中性还是正性的,进而完成情感素材的选择。方法的性能通过多名被试的模型正确识别率进行反映。本论文的研究从四个方面展开:一、给出图像的特征选择及提取方法。根据视觉心理学的相关研究,从图像中选择与情感相关的底层特征,并用向量表示。最终得到表征图像情感信息的26维特征。二、实验获取模型训练和检验的数据。选择IAPS中典型的负性、中性和正性图像各20张,通过图像诱发实验采集10名被试对这60张图像正负情感的评定数据,共得到8组有效数据集。分别对应8名有效被试对60张图像的负性、中性和正性划分。三、图像情感类别识别模型的建立与训练。通过BP神经网络建立图像的情感类别识别模型;针对每一名有效被试,从其评定的负性、中性和正性图像中分别选择部分图像,利用对应的图像特征和该被试评定的图像情感类别,采用两种不同的训练集设置(非均衡样本训练集和均衡样本训练集)训练三分类BP图像情感类别识别模型,所以8名被试共得到2×8个模型。四、模型检验。对每一名有效被试,用不参与模型训练的图像的特征作为训练好的BP识别模型的输入,则输出为识别模型判定的负性、中性和正性图像集。将识别结果和该被试评定的结果进行对比得到正确识别率,用正确识别率反映模型的性能。八个被试在非均衡样本集下的8个模型的平均正确识别率为66.38%,在均衡样本集下的8个模型的平均正确识别率为69.87%。本论文进一步对非均衡训练样本集和均衡训练样本集两种情况下得到的模型进行了对比分析。结果显示采用均衡训练样本集得到的模型不仅平均正确识别率更高,而且这8个模型平均负性、中性和正性的正确识别率更加均匀(s均衡=0.07 vs s非均衡=0.09)。所以采用均衡训练样本集得到的识别模型优于非均衡训练样本数据集的情况。上述研究结论说明,本论文建立的BP图像情感类别识别模型是有效的,所以个体依赖的图像情感类别识别方法是可行的,从而提供了一种新颖的图像素材选择方法。同时本论文也为其他种类的情感素材选择提供了一种研究思路。