[發(fā)明專利]一種基于深度森林和遷移學(xué)習(xí)的情感分類方法

有效

• 申請?zhí)枺?/td>: 201811005176.0
• 申請日: 2018-08-30
• 公開（公告）號: CN109389037B
• 公開（公告）日: 2021-05-11
• 發(fā)明（設(shè)計(jì)）人: 劉小波;尹旭;蔡耀明;王瑞林
• 申請（專利權(quán)）人: 中國地質(zhì)大學(xué)（武漢）
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 武漢知產(chǎn)時(shí)代知識(shí)產(chǎn)權(quán)代理有限公司 42238
• 代理人: 孫麗麗

本發(fā)明提供了一種基于深度森林和遷移學(xué)習(xí)的情感分類方法，首先選取源域數(shù)據(jù)集和訓(xùn)練目標(biāo)域數(shù)據(jù)集；再使用深度卷積神經(jīng)網(wǎng)絡(luò)對源域數(shù)據(jù)集進(jìn)行訓(xùn)練，得到并保存訓(xùn)練好的特征提取模型；對訓(xùn)練目標(biāo)域數(shù)據(jù)進(jìn)行預(yù)處理，所述預(yù)處理包括通道轉(zhuǎn)換及尺寸裁剪；利用所述特征提取模型對預(yù)處理后的訓(xùn)練目標(biāo)域數(shù)據(jù)集進(jìn)行特征提取，得到樣本特征；將樣本特征作為深度森林分類模型的輸入，對深度森林分類模型進(jìn)行訓(xùn)練；當(dāng)深度森林模型分類模型訓(xùn)練完成后，利用訓(xùn)練后的深度森林分類模型對實(shí)際需要處理的人臉情感圖像進(jìn)行分類，得到所述人臉情感圖像的分類結(jié)果。本發(fā)明的有益效果是：提高了分類效率，降低了分類成本以及對訓(xùn)練樣本的需求量。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像處理領(lǐng)域，尤其涉及一種基于深度森林和遷移學(xué)習(xí)的情感分類方法。

背景技術(shù)

隨著科技的發(fā)展和社會(huì)的進(jìn)步，計(jì)算機(jī)技術(shù)和人工智能技術(shù)的水平越來越高，社會(huì)的自動(dòng)化程度也不斷提高，人們對人機(jī)交互的需求越來越強(qiáng)烈。在人們面對面的交流過程中，面部表情和其他肢體動(dòng)作能夠傳達(dá)非語言的信息，這些信息能夠作為語言的輔助幫助聽者推斷出說話人的意圖。而人臉表情是一種能夠表達(dá)人類認(rèn)知、情緒和狀態(tài)的手段，它包含了眾多的個(gè)體行為信息，是個(gè)體特征的一種復(fù)雜表達(dá)集合，而這些特征往往與人的精神狀態(tài)、情感狀態(tài)、健康狀態(tài)等其他因素有著極為密切的關(guān)聯(lián)。實(shí)現(xiàn)計(jì)算機(jī)準(zhǔn)確高效地對人臉表情進(jìn)行識(shí)別，將對于實(shí)現(xiàn)自然和諧的人機(jī)交互系統(tǒng)有著極大的推進(jìn)作用。由于人臉表情識(shí)別表現(xiàn)出的重要的理論研究價(jià)值和實(shí)際應(yīng)用價(jià)值，它已經(jīng)成為一個(gè)熱門的研究課題。

近年來，在現(xiàn)代社交媒體的影響下，每天都產(chǎn)生數(shù)百萬張圖片在網(wǎng)絡(luò)上發(fā)布，人們也傾向于通過自拍圖片進(jìn)行分享的方式來表達(dá)自己的生活事件以及心理感受。海量圖片數(shù)據(jù)的產(chǎn)生，極大地方便了數(shù)據(jù)挖掘和分析，同時(shí)人工智能領(lǐng)域最火熱的機(jī)器學(xué)習(xí)算法在圖像分類領(lǐng)域，已經(jīng)達(dá)到非常成熟的水平。然而，傳統(tǒng)的機(jī)器學(xué)習(xí)嚴(yán)重依賴于大量的數(shù)據(jù)，但這不僅是普通的獲取數(shù)據(jù)，而是需要大量的已標(biāo)記數(shù)據(jù)對模型進(jìn)行訓(xùn)練。因此，對模型進(jìn)行訓(xùn)練時(shí)，帶標(biāo)記樣本數(shù)據(jù)的數(shù)量與質(zhì)量直接決定了模型訓(xùn)練的優(yōu)劣。并且，作為訓(xùn)練樣本集的數(shù)據(jù)，需要在我們直接從所獲的海量數(shù)據(jù)中進(jìn)行篩選與預(yù)處理，并人工加以標(biāo)注。不可避免的數(shù)據(jù)標(biāo)注會(huì)消耗大量的人力、物力與財(cái)力，目前為止，尚未提出一種行之有效的方式進(jìn)行替代或解決人工標(biāo)記，因此給我們對人臉表情甚至圖像分類領(lǐng)域帶來了困難。此外，一些組織和個(gè)人由于缺乏高性能的運(yùn)算設(shè)備，在面對大數(shù)據(jù)以及復(fù)雜模型進(jìn)行訓(xùn)練時(shí)受阻，諸多學(xué)者在構(gòu)思充分的前提下卻望而止步。還有，傳統(tǒng)的機(jī)器學(xué)習(xí)方法也難以根據(jù)人們繁雜多樣的需求構(gòu)造出統(tǒng)一普適化的模型。簡單來說就是：(1)由于傳統(tǒng)的機(jī)器學(xué)習(xí)算法嚴(yán)重依賴于大量的訓(xùn)練樣本，如果缺少足夠的訓(xùn)練樣本，將嚴(yán)重影響分類精度和速度。(2)上述算法中參數(shù)多，調(diào)參過程繁瑣，很難將各個(gè)參數(shù)調(diào)到恰當(dāng)?shù)臄?shù)值。(3)上述分類方法只能針對于特定的任務(wù)建立特定的模型，難以在相似任務(wù)之間進(jìn)行通用。因此，亟需一種方法來解決上述問題。

發(fā)明內(nèi)容

為了解決上述問題，本發(fā)明提供了一種基于深度森林和遷移學(xué)習(xí)的情感分類方法，將遷移學(xué)習(xí)與深度學(xué)習(xí)相結(jié)合，并利用深度森林算法進(jìn)行人臉情感分類。

本發(fā)明通過設(shè)計(jì)一個(gè)基于深度森林和遷移學(xué)習(xí)的人臉情感分類框架，通過使用多層卷積神經(jīng)網(wǎng)絡(luò)在源域數(shù)據(jù)集上進(jìn)行訓(xùn)練，得到訓(xùn)練好的模型，之后用來在目標(biāo)域上進(jìn)行特征提取。之后再將提取到的特征輸入到深度森林分類器中，提高了分類效率、降低了分類成本以及對訓(xùn)練樣本的需求量。一種基于深度森林和遷移學(xué)習(xí)的情感分類方法，主要包括以下步驟：

S101：選取源域數(shù)據(jù)集和訓(xùn)練目標(biāo)域數(shù)據(jù)集；源域數(shù)據(jù)集為帶標(biāo)簽樣本的人臉數(shù)據(jù)集或者情感數(shù)據(jù)集，訓(xùn)練目標(biāo)域數(shù)據(jù)集為人臉情感圖像集；

S102：使用深度卷積神經(jīng)網(wǎng)絡(luò)對源域數(shù)據(jù)集進(jìn)行訓(xùn)練，得到訓(xùn)練好的特征提取模型，并將所述特征提取模型進(jìn)行保存；

S103：對訓(xùn)練目標(biāo)域數(shù)據(jù)進(jìn)行預(yù)處理，所述預(yù)處理包括通道轉(zhuǎn)換及尺寸裁剪；

S104：利用所述特征提取模型對預(yù)處理后的訓(xùn)練目標(biāo)域數(shù)據(jù)進(jìn)行特征提取，得到樣本特征；