CN109472292A - 一种图像的情感分类方法、存储介质和服务器 - Google Patents

Abstract

本发明涉及计算机技术领域，提出一种图像的情感分类方法、存储介质和服务器。该情感分类方法包括：将待处理图像分别输入预先训练完成的多个卷积神经网络模型；在获得各个卷积神经网络模型输出的匹配度结果后，确定这些匹配度结果的最大值；若该最大值超过预设的阈值，则将输出该最大值的卷积神经网络模型对应的情感类型确定为该待处理图像的情感类型；而若该最大值小于预设的阈值，则进一步采用k‑means聚类运算以及KNN分类运算的方式确定该待处理图像的情感类型。采用本发明提出的图像的情感分类方法，能够有效提高图像情感分类结果的准确率。

Description

一种图像的情感分类方法、存储介质和服务器

技术领域

本发明涉及计算机技术领域，尤其涉及一种图像的情感分类方法、存储介质和服务器。

背景技术

图像的情感分类，是指根据图像所唤醒的人类情感对图像进行分类，常见的图像情感类别包括愉悦、兴奋、愤怒、厌恶和悲伤等。由于图像的复杂性和人类情感的主观性，利用计算机处理的方法对图像进行情感分类属于非常具有挑战性的任务。目前，主要采用卷积神经网络来进行图像的情感分类，通过将待识别图像输入带有不同情感标签的神经网络模型，然后根据各个模型输出的结果对待识别图像进行分类。然而，仅仅通过一次神经网络模型的匹配计算，得到的图像情感分类结果的准确率较低。

发明内容

有鉴于此，本发明实施例提供了一种图像的情感分类方法、存储介质和服务器，能够提高图像情感分类结果的准确率。

本发明实施例的第一方面，提供了一种图像的情感分类方法，包括：

获取待处理图像；

将所述待处理图像分别输入预先训练完成的多个卷积神经网络模型，得到输出的多个匹配度结果，不同的卷积神经网络模型由不同情感类型的样本图片训练得到；

若所述多个匹配度结果中的最大值大于或等于预设的阈值，则将输出所述最大值的卷积神经网络模型对应的情感类型确定为所述待处理图像的情感类型；

若所述最大值小于所述阈值，则获取所述样本图片的特征向量和所述待处理图像的特征向量；

基于获取到的特征向量分别进行k-means聚类运算以及KNN分类运算；

根据所述k-means聚类运算的结果确定所述待处理图像的第一情感类型；

根据所述KNN分类运算的结果确定所述待处理图像的第二情感类型；

若所述第一情感类型和所述第二情感类型相同，则将所述相同的情感类型确定为所述待处理图像的情感类型。

本发明实施例的第二方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如本发明实施例的第一方面提出的图像的情感分类方法的步骤。

本发明实施例的第三方面，提供了一种服务器，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，所述处理器执行所述计算机可读指令时实现如下步骤：

获取待处理图像；

将所述待处理图像分别输入预先训练完成的多个卷积神经网络模型，得到输出的多个匹配度结果，不同的卷积神经网络模型由不同情感类型的样本图片训练得到；

若所述多个匹配度结果中的最大值大于或等于预设的阈值，则将输出所述最大值的卷积神经网络模型对应的情感类型确定为所述待处理图像的情感类型；

若所述最大值小于所述阈值，则获取所述样本图片的特征向量和所述待处理图像的特征向量；

基于获取到的特征向量分别进行k-means聚类运算以及KNN分类运算；

根据所述k-means聚类运算的结果确定所述待处理图像的第一情感类型；

根据所述KNN分类运算的结果确定所述待处理图像的第二情感类型；

若所述第一情感类型和所述第二情感类型相同，则将所述相同的情感类型确定为所述待处理图像的情感类型。

本发明提出的图像的情感分类方法，将待处理图像分别输入预先训练完成的多个卷积神经网络模型；在获得各个卷积神经网络模型输出的匹配度结果后，确定这些匹配度结果的最大值；若该最大值超过预设的阈值，则将输出该最大值的卷积神经网络模型对应的情感类型确定为该待处理图像的情感类型；而若该最大值小于预设的阈值，则进一步采用k-means聚类运算以及KNN分类运算的方式确定该待处理图像的情感类型。在上述过程中，若各个卷积神经网络模型输出的匹配度结果的最大值小于预设的阈值，表明通过神经网络模型的匹配计算得到的图像情感分类结果不明确，此时进一步采用k-means聚类运算以及KNN分类运算的方式进行图像情感分类，能够有效提高图像情感分类结果的准确率。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种图像的情感分类方法的第一个实施例的流程图；

图2是本发明实施例提供的一种图像的情感分类方法的第二个实施例的流程图；

图3是本发明实施例提供的一种图像的情感分类装置的一个实施例的结构图；

图4是本发明实施例提供的一种服务器的示意图。

具体实施方式

本发明实施例提供了一种图像的情感分类方法、存储介质和服务器，能够提高图像情感分类结果的准确率。

为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1，本发明实施例中一种图像的情感分类方法的第一个实施例包括：

101、获取待处理图像；

首先，获取待处理图像，所述待处理图像是准备进行情感分类的图像。另外，在获得待处理图像之后，可以对待处理图像执行一定的预处理操作，比如调整图像尺寸至统一大小，将图像的颜色空间转换为指定的颜色空间等操作。

102、将所述待处理图像分别输入预先训练完成的多个卷积神经网络模型，得到输出的多个匹配度结果；

在获得待处理图像之后，将所述待处理图像分别输入预先训练完成的多个卷积神经网络模型，得到输出的多个匹配度结果，不同的卷积神经网络模型由不同情感类型的样本图片训练得到。表1示出了预先训练完成的3个卷积神经网络模型A、B和C，其中A由情感类型为悲伤的样本图片训练得到，对应于情感类型“悲伤”；B由情感类型为快乐的样本图片训练得到，对应于情感类型“快乐”；C由情感类型为平静的样本图片训练得到，对应于情感类型“平静”

表1

卷积神经网络模型	情感类型
		A	悲伤
B	快乐
		C	平静

在将待处理图像分别输入多个卷积神经网络模型之后，每个卷积神经网络模型都会输出一个匹配度结果，该匹配度结果用于表示待处理图像和相应的样本图片之间的相似度。

进一步的，所述样本图片可以通过以下步骤获得：

(1)从预先构建的情感词汇表中提取情感关键词；

(2)将提取到的情感关键词输入搜索引擎，检索与所述情感关键词对应的图片；

(3)将检索到的图片确定为以所述情感关键词为情感类型的样本图片。

可以在数据库中预先构建一个情感词汇表，该情感词汇表记录各种情感类型的词汇，即情感关键词，比如“悲伤、快乐、压抑、平静”等。在获取样本图片时，依次从该情感词汇表中提取情感关键词，然后将提取到的情感关键词输入搜索引擎，检索与所述情感关键词对应的图片，最后将检索到的图片确定为以所述情感关键词为情感类型的样本图片。比如，从情感词汇表中提取“悲伤”情感关键词，然后将该关键词输入搜索引擎，通过网络检索“悲伤”情感的图片作为样本图片。进一步的，在提取情感关键词之后，还可以查询该情感关键词的近义词，并根据该关键词和其近义词构建检索式，通过网络检索相应的图片。

进一步的，步骤102可以包括：

(A)将所述待处理图像分别输入各个所述卷积神经网络模型，得到各个所述卷积神经网络模型输出的匹配度；

(B)将各个所述卷积神经网络模型输出的匹配度分别乘以各个所述卷积神经网络模型对应的权重系数，得到所述匹配度结果。

可以分别为每个神经网络模型分配对应的权重系数，模型在输出匹配度时会乘以对应的权重系数。比如对于3个模型A、B、C来说，A的权重系数为0.5，B的权重系数为0.3，C的权重系数为0.2；若A的模型运算结果为80％，则输出的匹配度结果为80％*0.5＝40％，以此类推。

其中，各个所述卷积神经网络模型对应的权重系数根据以下步骤确定：分别统计各个所述卷积神经网络模型的样本图片数量以及识别准确率；根据各个所述卷积神经网络模型的样本图片数量以及识别准确率确定各个所述卷积神经网络模型对应的权重系数。

在某个卷积神经网络模型的训练阶段，可以统计训练集中的样本图片数量，得到该模型的样本图片数量。识别准确率可以通过历史的图像情感分类记录进行统计，比如在图片识别完成后，人工判断识别结果是否准确，从而统计得到各个模型的识别准确率。在计算权重系数时，具体可以采用公式：某个模型的权重系数＝(该模型的样本图片数量/样本图片总数量)*该模型的识别准确率。

通过这样设置，能够综合考虑各个模型的处理结果的参照比重，从而进一步提高图像情感分类的准确性。

103、判断所述多个匹配度结果中的最大值是否大于或等于预设的阈值；

在获得所述多个匹配度结果后，确定这些匹配度结果中的最大值，并判断该最大值是否大于或等于预设的阈值(比如70％)。若所述多个匹配度结果中的最大值大于或等于预设的阈值，则执行步骤104，若所述最大值小于所述阈值，则执行步骤105。

104、将输出所述最大值的卷积神经网络模型对应的情感类型确定为所述待处理图像的情感类型；

所述多个匹配度结果中的最大值大于或等于预设的阈值，表明图像匹配度较高，即通过神经网络模型的匹配计算得到的图像情感分类结果较为准确，此时将输出所述最大值的卷积神经网络模型对应的情感类型确定为所述待处理图像的情感类型。比如，对于表1所示的3个卷积神经网络模型，若模型A输出的匹配度结果最大且大于预设的阈值，则可将待处理图像分类为“悲伤”情感。

105、获取所述样本图片的特征向量和所述待处理图像的特征向量；

所述多个匹配度结果中的最大值小于预设的阈值，表明图像匹配度较低，此时获取所述样本图片的特征向量和所述待处理图像的特征向量。图像的特征可以用矩阵表示，而根据该矩阵可以确定对应的特征向量。

106、基于获取到的特征向量分别进行k-means聚类运算以及KNN分类运算；

在获得所述样本图片的特征向量和所述待处理图像的特征向量之后，基于获取到的特征向量分别进行k-means聚类运算以及KNN分类运算。

107、根据所述k-means聚类运算的结果确定所述待处理图像的第一情感类型；

基于获取到的特征向量进行k-means聚类运算，可以为所述待处理图像进行情感分类，分类结果记为第一情感类型。具体的，k-means聚类运算的过程可以包括：

(1)从所述样本图片的特征向量中任意选取预设数量的特征向量作为初始聚类中心，开始聚类运算；

(2)当所述聚类运算迭代收敛后，得到各个最终的目标聚类中心；

(3)分别计算所述待处理图像的特征向量和各个所述目标聚类中心之间的距离；

(4)将所述距离最小的目标聚类中心对应的样本图片的情感类型确定为所述待处理图像的第一情感类型。

通过k-means聚类运算，可以确定和待处理图像的图像特征最接近的样本图片，将该样本图片的情感类型确定为待处理图像的情感类型，从而完成图像的情感分类。

108、根据所述KNN分类运算的结果确定所述待处理图像的第二情感类型；

基于获取到的特征向量进行KNN(即邻近算法)分类运算，可以为所述待处理图像进行情感分类，分类结果记为第二情感类型。具体的，KNN分类运算的过程可以包括：

(1)计算所述待处理图像的特征向量和各个所述样本图片的特征向量之间的欧式距离；

(2)确定各个所述样本图片的特征向量中所述欧式距离最小的n个特征向量，n为大于1的整数；

(3)统计所述n个特征向量分布于各个所述样本图片的比例；

(4)将所述比例最大的样本图片的情感类型确定为所述待处理图像的第二情感类型。

比如，在计算待处理图像的特征向量和各个样本图片的特征向量之间的欧式距离之后，将各个样本图片的特征向量中欧式距离最小的10个特征向量选取出来，统计这10个特征向量分布于各个情感类型的样本图片的比例，假设其中7个特征向量属于“悲伤”情感类型的样本图片，3个特征向量属于“平静”情感类型的样本图片，则可以确定“悲伤”情感类型的样本图片占有的距离最小的特征向量的比例最大，故将“悲伤”情感类型确定为待处理图像的第二情感类型。

109、判断所述第一情感类型和所述第二情感类型是否相同；

在确定第一情感类型和第二情感类型之后，判断所述第一情感类型和所述第二情感类型是否相同。若所述第一情感类型和所述第二情感类型相同，则执行步骤110，若所述第一情感类型和所述第二情感类型不同，则执行步骤111。

110、将所述相同的情感类型确定为所述待处理图像的情感类型；

所述第一情感类型和所述第二情感类型相同，表明通过k-means聚类运算以及KNN分类运算获得相同的情感分类结果，此时的情感分类结果较为准确，故可以将所述相同的情感类型确定为所述待处理图像的情感类型。

111、输出用于指示图像情感分类失败的提示信息。

所述第一情感类型和所述第二情感类型不同，表明通过k-means聚类运算以及KNN分类运算获得不同的情感分类结果，此时无法获得准确的情感分类结果，故可以输出用于指示图像情感分类失败的提示信息。

本发明实施例提出的图像的情感分类方法，将待处理图像分别输入预先训练完成的多个卷积神经网络模型；在获得各个卷积神经网络模型输出的匹配度结果后，确定这些匹配度结果的最大值；若该最大值超过预设的阈值，则将输出该最大值的卷积神经网络模型对应的情感类型确定为该待处理图像的情感类型；而若该最大值小于预设的阈值，则进一步采用k-means聚类运算以及KNN分类运算的方式确定该待处理图像的情感类型。在上述过程中，若各个卷积神经网络模型输出的匹配度结果的最大值小于预设的阈值，表明通过神经网络模型的匹配计算得到的图像情感分类结果不明确，此时进一步采用k-means聚类运算以及KNN分类运算的方式进行图像情感分类，能够有效提高图像情感分类结果的准确率。

请参阅图2，本发明实施例中一种图像的情感分类方法的第二个实施例包括：

201、获取待处理图像；

步骤201与步骤101相同，具体可参照步骤101的相关说明。

202、获取图像情感分类记录，所述图像情感分类记录包含多个已分类图像的情感分类结果；

获取图像情感分类记录，所述图像情感分类记录包含多个已分类图像的情感分类结果。比如，在某批图像的情感分类过程中，已完成100个图像的情感分类，其中70个图像的情感类型为“悲伤”，20个图像的情感类型为“快乐”，10个图像的情感类型为“平静”，系统会记录这些情感分类结果，生成所述图像情感分类记录。

203、根据所述情感分类结果分别统计各个情感类型包含的已分类图像的数量；

204、将预先训练完成的多个卷积神经网络模型按照对应的情感类型包含的已分类图像的数量由高至低的顺序排序；

205、将所述待处理图像按照所述排序依次输入各个所述卷积神经网络模型，得到输出的多个匹配度结果；

对于步骤203-205，以步骤202和表1所示的例子说明。根据情感分类结果分别统计各个情感类型包含的已分类图像的数量，即“悲伤”—70，“快乐”—20，“平静”—10；将预先训练完成的多个卷积神经网络模型按照对应的情感类型包含的已分类图像的数量由高至低的顺序排序，即将卷积神经网络模型按照A、B、C的顺序排序，然后将待处理图像按照A、B、C的排序依次输入各个卷积神经网络模型，得到输出的多个匹配度结果。

另外，在将所述待处理图像按照所述排序依次输入各个所述卷积神经网络模型的过程中，若任意一个卷积神经网络模型输出的匹配度结果大于或等于预设的阈值，则停止将所述待处理图像输入下一个卷积神经网络模型。在图像处理的过程中，若任意一个卷积神经网络模型输出的匹配度结果大于或等于预设的阈值，表明已经成功完成待处理图像的情感分类，此时不必将待处理图像输入下一个卷积神经网络模型，以提高图像处理的速度。

206、判断所述多个匹配度结果中的最大值是否大于或等于预设的阈值；

若所述多个匹配度结果中的最大值大于或等于预设的阈值，则执行步骤207，若所述最大值小于所述阈值，则执行步骤208。

207、将输出所述最大值的卷积神经网络模型对应的情感类型确定为所述待处理图像的情感类型；

208、获取所述样本图片的特征向量和所述待处理图像的特征向量；

209、基于获取到的特征向量分别进行k-means聚类运算以及KNN分类运算；

210、根据所述k-means聚类运算的结果确定所述待处理图像的第一情感类型；

211、根据所述KNN分类运算的结果确定所述待处理图像的第二情感类型；

212、判断所述第一情感类型和所述第二情感类型是否相同；

若所述第一情感类型和所述第二情感类型相同，则执行步骤213，若所述第一情感类型和所述第二情感类型不同，则执行步骤214。

213、将所述相同的情感类型确定为所述待处理图像的情感类型；

214、输出用于指示图像情感分类失败的提示信息。

步骤206-214与步骤103-111相同，具体可参照步骤103-111的相关说明。

与本发明的第一个实施例相比，本实施例通过获取图像情感分类记录，根据所述情感分类结果分别统计各个情感类型包含的已分类图像的数量，将各个卷积神经网络模型按照对应的情感类型包含的已分类图像的数量由高至低的顺序排序，将所述待处理图像按照所述排序依次输入各个所述卷积神经网络模型，得到输出的多个匹配度结果。在图像处理的过程中，若任意一个卷积神经网络模型输出的匹配度结果大于或等于预设的阈值，则停止将待处理图像输入下一个卷积神经网络模型，进一步提高了图像处理的速度。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

上面主要描述了一种图像的情感分类方法，下面将对一种图像的情感分类装置进行详细描述。

请参阅图3，本发明实施例中一种图像的情感分类装置的一个实施例包括：

图像获取模块301，用于获取待处理图像；

图像处理模块302，用于将所述待处理图像分别输入预先训练完成的多个卷积神经网络模型，得到输出的多个匹配度结果，不同的卷积神经网络模型由不同情感类型的样本图片训练得到；

第一图像情感分类模块303，用于若所述多个匹配度结果中的最大值大于或等于预设的阈值，则将输出所述最大值的卷积神经网络模型对应的情感类型确定为所述待处理图像的情感类型；

特征向量获取模块304，用于若所述最大值小于所述阈值，则获取所述样本图片的特征向量和所述待处理图像的特征向量；

运算处理模块305，用于基于获取到的特征向量分别进行k-means聚类运算以及KNN分类运算；

第一情感类型确定模块306，用于根据所述k-means聚类运算的结果确定所述待处理图像的第一情感类型；

第二情感类型确定模块307，用于根据所述KNN分类运算的结果确定所述待处理图像的第二情感类型；

第二图像情感分类模块308，用于若所述第一情感类型和所述第二情感类型相同，则将所述相同的情感类型确定为所述待处理图像的情感类型。

进一步的，所述情感分类装置还可以包括：

情感关键词提取模块，用于从预先构建的情感词汇表中提取情感关键词；

样本图片搜索模块，用于将提取到的情感关键词输入搜索引擎，检索与所述情感关键词对应的图片；

样本图片确定模块，用于将检索到的图片确定为以所述情感关键词为情感类型的样本图片。

进一步的，所述图像处理模块可以包括：

分类记录获取单元，用于获取图像情感分类记录，所述图像情感分类记录包含多个已分类图像的情感分类结果；

数量统计单元，用于根据所述情感分类结果分别统计各个情感类型包含的已分类图像的数量；

模型排序单元，用于将各个所述卷积神经网络模型按照对应的情感类型包含的已分类图像的数量由高至低的顺序排序；

第一图像输入单元，用于将所述待处理图像按照所述排序依次输入各个所述卷积神经网络模型；

处理停止单元，用于在将所述待处理图像按照所述排序依次输入各个所述卷积神经网络模型的过程中，若任意一个卷积神经网络模型输出的匹配度结果大于或等于所述阈值，则停止将所述待处理图像输入下一个卷积神经网络模型。

进一步的，所述图像处理模块可以包括：

第二图像输入单元，用于将所述待处理图像分别输入各个所述卷积神经网络模型，得到各个所述卷积神经网络模型输出的匹配度；

匹配度结果计算单元，用于将各个所述卷积神经网络模型输出的匹配度分别乘以各个所述卷积神经网络模型对应的权重系数，得到所述匹配度结果；

其中，各个所述卷积神经网络模型对应的权重系数根据以下步骤确定：

分别统计各个所述卷积神经网络模型的样本图片数量以及识别准确率；

根据各个所述卷积神经网络模型的样本图片数量以及识别准确率确定各个所述卷积神经网络模型对应的权重系数。

进一步的，所述第一情感类型确定模块可以包括：

初始聚类中心选取单元，用于从所述样本图片的特征向量中任意选取预设数量的特征向量作为初始聚类中心，开始聚类运算；

目标聚类中心确定单元，用于当所述聚类运算迭代收敛后，得到各个最终的目标聚类中心；

第一距离计算单元，用于分别计算所述待处理图像的特征向量和各个所述目标聚类中心之间的距离；

第一情感类型确定单元，用于将所述距离最小的目标聚类中心对应的样本图片的情感类型确定为所述待处理图像的第一情感类型。

进一步的，所述第二情感类型确定模块可以包括：

第二距离计算单元，用于计算所述待处理图像的特征向量和各个所述样本图片的特征向量之间的欧式距离；

特征向量确定单元，用于确定各个所述样本图片的特征向量中所述欧式距离最小的n个特征向量，n为大于1的整数；

比例统计单元，用于统计所述n个特征向量分布于各个所述样本图片的比例；

第二情感类型确定单元，用于将所述比例最大的样本图片的情感类型确定为所述待处理图像的第二情感类型。

本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如图1或图2表示的任意一种图像的情感分类方法的步骤。

本发明实施例还提供一种服务器，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，所述处理器执行所述计算机可读指令时实现如图1或图2表示的任意一种图像的情感分类方法的步骤。

图4是本发明一实施例提供的服务器的示意图。如图4所示，该实施例的服务器4包括：处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机可读指令42。所述处理器40执行所述计算机可读指令42时实现上述各个图像的情感分类方法实施例中的步骤，例如图1所示的步骤101至111。或者，所述处理器40执行所述计算机可读指令42时实现上述各装置实施例中各模块/单元的功能，例如图3所示模块301至308的功能。

示例性的，所述计算机可读指令42可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器41中，并由所述处理器40执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该指令段用于描述所述计算机可读指令42在所述服务器4中的执行过程。

所述服务器4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述服务器4可包括，但不仅限于，处理器40、存储器41。本领域技术人员可以理解，图4仅仅是服务器4的示例，并不构成对服务器4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述服务器4还可以包括输入输出设备、网络接入设备、总线等。

所述处理器40可以是中央处理单元(CentraL Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(DigitaL SignaL Processor，DSP)、专用集成电路(AppLication Specific Integrated Circuit，ASIC)、现成可编程门阵列(FieLd-ProgrammabLe Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器41可以是所述服务器4的内部存储单元，例如服务器4的硬盘或内存。所述存储器41也可以是所述服务器4的外部存储设备，例如所述服务器4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure DigitaL,SD)卡，闪存卡(FLash Card)等。进一步地，所述存储器41还可以既包括所述服务器4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机可读指令以及所述服务器所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnLyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种图像的情感分类方法，其特征在于，包括：

获取待处理图像；

将所述待处理图像分别输入预先训练完成的多个卷积神经网络模型，得到输出的多个匹配度结果，不同的卷积神经网络模型由不同情感类型的样本图片训练得到；

若所述多个匹配度结果中的最大值大于或等于预设的阈值，则将输出所述最大值的卷积神经网络模型对应的情感类型确定为所述待处理图像的情感类型；

若所述最大值小于所述阈值，则获取所述样本图片的特征向量和所述待处理图像的特征向量；

基于获取到的特征向量分别进行k-means聚类运算以及KNN分类运算；

根据所述k-means聚类运算的结果确定所述待处理图像的第一情感类型；

根据所述KNN分类运算的结果确定所述待处理图像的第二情感类型；

若所述第一情感类型和所述第二情感类型相同，则将所述相同的情感类型确定为所述待处理图像的情感类型。

2.根据权利要求1所述的图像的情感分类方法，其特征在于，所述样本图片通过以下步骤获得：

从预先构建的情感词汇表中提取情感关键词；

将提取到的情感关键词输入搜索引擎，检索与所述情感关键词对应的图片；

将检索到的图片确定为以所述情感关键词为情感类型的样本图片。

3.根据权利要求1所述的图像的情感分类方法，其特征在于，所述将所述待处理图像分别输入预先训练完成的多个卷积神经网络模型包括：

获取图像情感分类记录，所述图像情感分类记录包含多个已分类图像的情感分类结果；

根据所述情感分类结果分别统计各个情感类型包含的已分类图像的数量；

将各个所述卷积神经网络模型按照对应的情感类型包含的已分类图像的数量由高至低的顺序排序；

将所述待处理图像按照所述排序依次输入各个所述卷积神经网络模型；

在将所述待处理图像按照所述排序依次输入各个所述卷积神经网络模型的过程中，若任意一个卷积神经网络模型输出的匹配度结果大于或等于所述阈值，则停止将所述待处理图像输入下一个卷积神经网络模型。

4.根据权利要求1所述的图像的情感分类方法，其特征在于，所述将所述待处理图像分别输入预先训练完成的多个卷积神经网络模型，得到输出的多个匹配度结果包括：

将所述待处理图像分别输入各个所述卷积神经网络模型，得到各个所述卷积神经网络模型输出的匹配度；

将各个所述卷积神经网络模型输出的匹配度分别乘以各个所述卷积神经网络模型对应的权重系数，得到所述匹配度结果；

其中，各个所述卷积神经网络模型对应的权重系数根据以下步骤确定：

分别统计各个所述卷积神经网络模型的样本图片数量以及识别准确率；

根据各个所述卷积神经网络模型的样本图片数量以及识别准确率确定各个所述卷积神经网络模型对应的权重系数。

5.根据权利要求1至4中任一项所述的图像的情感分类方法，其特征在于，所述基于获取到的特征向量进行k-means聚类运算，根据所述k-means聚类运算的结果确定所述待处理图像的第一情感类型包括：

从所述样本图片的特征向量中任意选取预设数量的特征向量作为初始聚类中心，开始聚类运算；

当所述聚类运算迭代收敛后，得到各个最终的目标聚类中心；

分别计算所述待处理图像的特征向量和各个所述目标聚类中心之间的距离；

将所述距离最小的目标聚类中心对应的样本图片的情感类型确定为所述待处理图像的第一情感类型。

6.根据权利要求1至4中任一项所述的图像的情感分类方法，其特征在于，所述基于获取到的特征向量进行KNN分类运算，根据所述KNN分类运算的结果确定所述待处理图像的第二情感类型包括：

计算所述待处理图像的特征向量和各个所述样本图片的特征向量之间的欧式距离；

确定各个所述样本图片的特征向量中所述欧式距离最小的n个特征向量，n为大于1的整数；

统计所述n个特征向量分布于各个所述样本图片的比例；

将所述比例最大的样本图片的情感类型确定为所述待处理图像的第二情感类型。

7.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，其特征在于，所述计算机可读指令被处理器执行时实现如权利要求1至6中任一项所述的图像的情感分类方法的步骤。

8.一种服务器，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，其特征在于，所述处理器执行所述计算机可读指令时实现如下步骤：

获取待处理图像；

将所述待处理图像分别输入预先训练完成的多个卷积神经网络模型，得到输出的多个匹配度结果，不同的卷积神经网络模型由不同情感类型的样本图片训练得到；

若所述多个匹配度结果中的最大值大于或等于预设的阈值，则将输出所述最大值的卷积神经网络模型对应的情感类型确定为所述待处理图像的情感类型；

若所述最大值小于所述阈值，则获取所述样本图片的特征向量和所述待处理图像的特征向量；

基于获取到的特征向量分别进行k-means聚类运算以及KNN分类运算；

根据所述k-means聚类运算的结果确定所述待处理图像的第一情感类型；

根据所述KNN分类运算的结果确定所述待处理图像的第二情感类型；

若所述第一情感类型和所述第二情感类型相同，则将所述相同的情感类型确定为所述待处理图像的情感类型。

9.根据权利要求8所述的服务器，其特征在于，所述样本图片通过以下步骤获得：

从预先构建的情感词汇表中提取情感关键词；

将提取到的情感关键词输入搜索引擎，检索与所述情感关键词对应的图片；

将检索到的图片确定为以所述情感关键词为情感类型的样本图片。

10.根据权利要求8或9所述的服务器，其特征在于，所述将所述待处理图像分别输入预先训练完成的多个卷积神经网络模型包括：

获取图像情感分类记录，所述图像情感分类记录包含多个已分类图像的情感分类结果；

根据所述情感分类结果分别统计各个情感类型包含的已分类图像的数量；

将各个所述卷积神经网络模型按照对应的情感类型包含的已分类图像的数量由高至低的顺序排序；

将所述待处理图像按照所述排序依次输入各个所述卷积神经网络模型；

在将所述待处理图像按照所述排序依次输入各个所述卷积神经网络模型的过程中，若任意一个卷积神经网络模型输出的匹配度结果大于或等于所述阈值，则停止将所述待处理图像输入下一个卷积神经网络模型。