一种家居环境下的氛围场识别方法及识别系统与流程

本发明属于氛围场识别领域，具体涉及一种家居环境下的氛围场识别方法及识别系统。

背景技术：

随着生活水平的提高和信息技术的高速发展，人类对智能化生活的需求越来越高，人机交互能力也得到越来越多的重视，具有情感交互的机器成为智能家居领域的研究热点，而交流氛围场的识别已成为情感计算的一个重要内容，人机交流的氛围场识别是实现机器人与人类之间随意交流的一个重要组成部分。目前，针对交流氛围场的研究还处于起步阶段，相关研究主要是在心理学、行为科学等领域展开，应用于信息科学方面的研究还不是很多。随着通信技术的不断发展，人们之间交流方式不断地增加和多样化，除了面对面的交流，基于网络聊天工具的交流方式，人与计算机之间的交流，人与机器人之间的交流等已经逐渐进入我们的生活。

氛围场是弥漫在空间中的能够影响行为过程和结果的心理因素和心理感受，是由个人或多人对话过程中所营造出来的气氛，包括：紧张、兴奋、沮丧、恐惧、期待、高兴、热烈、冷漠、积极、消极、肯定、否定、怀疑、信任、尊敬、鄙视等。通过实时对交流氛围场进行分析，机器人可以掌握交流氛围场，以及说话人所表达的情感，从而做出适当反应，以适应人类情感的不断变化，例如安抚、鼓励、赞美等等。情感识别/分析主要是针对个人进行，在人机交互中，特别是多人对多机器人的交互过程中，仅仅分析情感状态并不能反映出整体的交流氛围场。

技术实现要素：

本发明提供的一种家居环境下的氛围场识别方法及识别系统，能够准确识别家居环境下的氛围场。

本发明解决上述技术问题的技术方案如下：提供了一种家居环境下的氛围场识别方法，包括：

S1，获取家居环境下的视听信息；

S2，从所述视听信息提取出家居色彩特征信息和背景音乐特征信息；

S3，对所述家居色彩特征信息和所述背景音乐特征信息分别进行PCA降维处理，得到家居色彩模态样本和背景音乐模态样本；

S4，对所述家居色彩模态样本进行色彩情感分类，得到家居色彩情感状态，并将其映射到家居色彩APA情感空间模型中；以及对所述背景音乐模态样本进行背景音乐情感分类，得到背景音乐情感状态，并将其映射到背景音乐APA情感空间模型中；

S5，采用模糊层次分析法(FAHP)，分析家居色彩情感状态和背景音乐情感状态对家居交流氛围场影响的权重大小，结合专家规则得到最终的氛围场识别结果。

为了解决本发明的技术问题，还提供了一种家居环境下的氛围场识别系统，包括：

数据获取模块，用于获取家居环境下的视听信息；

特征信息提取模块，用于从所述视听信息中提取出家居色彩特征信息和背景音乐特征信息；

降维处理模块，用于对所述家居色彩特征信息和所述背景音乐特征信息分别进行PCA降维处理，得到家居色彩模态样本和背景音乐模态样本；

情感分类模块，用于对所述家居色彩模态样本进行色彩情感分类，得到家居色彩情感状态；以及还用于对所述背景音乐模态样本进行背景音乐情感分类，得到背景音乐情感状态；

模糊层次分析模块，用于分析背景音乐情感状态和家居色彩情感状态对交流氛围场影响的权重大小，并结合专家规则对家居交流氛围场模型进行分析处理得到最终的氛围场识别结果。

本发明的有益效果为：采用了模糊层次分析法，分析了家居色彩氛围场的影响因素，并结合专家规则，能够更准确地得出实时的家居色彩氛围场状态，从而提高氛围场识别的准确性和可靠性。

附图说明

图1为本发明实施例1的一种家居环境下的氛围场识别方法流程图；

图2为SVM情感分类器分类流程；

图3为SVM完全二叉决策树结构。

图4为模糊层次分析模块结构图；

图5为实施例2的一种家居环境下的氛围场识别模块框图；

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

实施例1、一种家居环境下的氛围场识别方法。

参见图1，本实施例提供的氛围场识别方法包括：

1、一种家居环境下的氛围场识别方法，其特征在于，包括以下步骤：

S1，获取家居环境下的视听信息；

S2，从所述视听信息中提取出家居色彩特征信息和背景音乐特征信息；

其中，视听信息中包括视频信息和音频信息，从视频信息中提取出家居色彩特征信息，以及从音频信息中提取出背景音乐特征信息；

S3，对所述家居色彩特征信息和所述背景音乐特征信息分别进行PCA降维处理，得到家居色彩模态样本和背景音乐模态样本；

S4，对所述家居色彩模态样本进行色彩情感分类，得到家居色彩情感状态,并将其映射到家居色彩APA情感空间模型中；以及对所述背景音乐模态样本进行背景音乐情感分类，得到背景音乐情感状态，并将其映射到背景音乐APA情感空间模型中；

S5，采用模糊层次分析法(FAHP)，动态计算家居色彩情感状态和背景音乐情感状态对家居交流氛围场影响的权重大小，得到最终的氛围场识别结果。

下面对上述步骤进行具体说明。

所述步骤S4中对所述家居色彩模态样本进行色彩情感分类，得到家居色彩情感状态，本发明以SVM情感分类为例，参见图2和图3，其核心思想是：采用SVM二叉树结果将视听信息情感状态分为h类，选择多名同学对多个视听信息进行问卷调查，统计选取m个样本作为训练样本，其中“高兴的”有a个，“惊讶的”有b个，“悲伤的”有c个，“害怕的”有d个，“生气的”有e个，“厌恶的”有f个，且a+b+c+d+e+f＝m；剩下的作为测试样本，其中，m为正整数；

设置h-1个SVM分类器，每一个SVM分类器分别将不同视听信息情感状态下的训练样本作为正的训练样本和负的训练样本进行训练，得到h-1个分类器模型文件，其中，h为正整数；分类时，通过对家居环境下降维得到视听信息即家居色彩和背景音乐模态样本进行训练，从而得到家居色彩和背景音乐的情感状态。

以下以一个具体的例子对家居色彩情感的SVM分类来进行说明。

SVM分类器采用完全二叉决策树结构将家居色彩情感状态类别分为6类，参见图4，在本实施例中，将家居色彩情感状态类别分为“高兴”、“悲伤”、“厌恶”、“生气”、“惊讶”和“害怕”；选择不同性格的学生对200个家居色彩模态样本进行问卷调查，选取具有代表性的150个家居色彩模态样本作为训练样本，然后从剩余的50个家居色彩模态样本中挑选40个作为测试集。然后，选择h-1个SVM分类器，第一个分类器SVM1以“高兴”、“惊讶”两类样本数据为正的训练样本，“悲伤”、“生气”、“厌恶”、“害怕”四类样本数据为负的训练样本来训练；第二个分类器SVM2以“高兴”这类样本数据作为正的训练样本，而“惊讶”这类样本数据作为负的训练样本进行训练；第三个分类器SVM3以“悲伤”、“生气”这类样本数据为正的训练样本进行训练，“厌恶”、“害怕”这类样本数据为负的训练样本进行训练；第四个分类器SVM4以“悲伤”这类样本数据为正的训练样本进行训练，“生气”这类样本数据为负的训练样本进行训练；第五个分类器SVM5以“厌恶”这类样本数据为正的训练样本进行训练，“害怕”这类样本数据为负的训练样本进行训练；至此得到5组家居色彩模态训练样本数据。

分类时，通过对降维得到的家居色彩模态样本数据进行训练，得到了家居色彩情感状态，在本实施例中，h＝6。

以下以一个具体的例子对背景音乐情感的SVM分类来进行说明说明。

SVM分类器采用完全二叉决策树结构将背景音乐情感状态类别分为6类，参见图4，在本实施例中，将背景音乐情感状态类别分为“高兴”、“悲伤”、“厌恶”、“生气”、“惊讶”和“害怕”；选择不同性格的学生对200个背景音乐模态样本进行问卷调查，选取具有代表性的150个背景音乐模态样本作为训练样本，然后从剩余的50个背景音乐模态样本中挑选40个作为测试集；选取h-1个SVM分类器，第一个分类器SVM1以“高兴”、“惊讶”两类样本数据为正的训练样本，“悲伤”、“生气”、“厌恶”、“害怕”四类样本数据为负的训练样本来训练；第二个分类器SVM2以“高兴”这类样本数据作为正的训练样本，而“惊讶”这类样本数据作为负的训练样本进行训练；第三个分类器SVM3以“悲伤”、“生气”这类样本数据为正的训练样本进行训练，“厌恶”、“害怕”这类样本数据为负的训练样本进行训练；第四个分类器SVM4以“悲伤”这类样本数据为正的训练样本进行训练，“生气”这类样本数据为负的训练样本进行训练；第五个分类器SVM5以“厌恶”这类样本数据为正的训练样本进行训练，“害怕”这类样本数据为负的训练样本进行训练；至此得到5组背景音乐模态训练样本数据。

分类时，通过对降维得到的背景音乐模态样本数据进行训练，得到背景音乐情感状态。本实施例中，h＝6。

需要说明的是，本实施例中将基本情感类别通常分为6种，即上述的h＝6，分别为高兴、悲伤、生气、惊讶、厌恶和害怕6种基本情感类别。其中的家居色彩特征信息包括色相、饱和度、明度等，同样的，背景音乐特征信息包括音阶、节奏、音域、音量、音色等。

另外，在识别家居色彩氛围场的过程中，建立以模糊氛围场的三种属性为三维坐标轴的家居色彩氛围场模型，将最终的家居氛围识别结果与氛围场三维坐标模型对应起来，并进行图形可视化显示。本实施例中，模糊氛围场的三种属性具体指“友好-敌对”、“平静-活跃”和“随意-正式”，将这三种属性作为三个坐标轴，将实时计算得到的最终的家居氛围场识别结果与氛围场三维坐标模型对应起来，并进行图形可视化显示，即采用幅度、形状等计算机图形元素来表示氛围场状态的每一个属性，即每一个坐标轴，更加生动和形象地描述家居氛围场的变化。

所述步骤S5中动态计算家居色彩情感状态和背景音乐情感状态对家居交流氛围场影响的权重大小具体包括：

S51、因为家居交流氛围的决策需要考虑很多因素，可参见图4，将其影响因素分层得到模糊层次分析模块结构图。

S52、建立模糊判断矩阵，即矩阵R＝(r_ij)_h*h，且0≤r_ij≤1(i,j＝1,2,…,h)，若模糊判断矩阵R＝(r_ij)_h*h满足有r_ij＝r_ik-r_jk+0.5i,j,k＝1,2,…,h，则所述模糊判断矩阵R＝(r_ij)_h*h为模糊一致矩阵；若所述模糊判断矩阵不具有一致性时，需要调整矩阵元素，使其具有一致性，其中，模糊一致判断矩阵为：

其中r_ij表示元素p_i和p_j相对于家居交流氛围场进行比较时，元素p_i和p_j具有模糊关系，为使任意两个方案关于某准则的相对重要程度得到定量的描述，可采用0.1—0.9的标度给予数量标度，数量标准如下所示：

S53、根据S51给予的数字标度，得到情感元素p₁,p₂,…,p_h两两比较重要程度的模糊判断矩阵R:

S54.1、由模糊一致判断矩阵R求元素p₁,p₂,…,p₆的权重值w₁,w₂,…,w₆，设元素进行两两重要性比较之后，根据公式r_ij＝0.5+a(w_i-w_j)i,j＝1,2,…,h，其中，0＜a≤0.5，其中，a是感知对象的差异程度的一种度量；

S54.2、模糊判断矩阵R不一致时，即公式r_ij＝0.5+a(w_i-w_j)i,j＝1,2,…,h中的等式不是严格成立的时候，这时可采用最小二乘法求权重向量w＝[w₁,w₂,…,w_h]^T，即求解如下的约束规划问题：

(P1)

由拉格朗日乘子法知，约束规划问题(P1)等价于如下无约束规划问题(P2):其中，λ是拉格朗日乘子；

S54.3、将L(w,λ)关于w_i(i＝1,2,…,h)求偏导数，并令其为零，得h个代数方程组成的方程组(P3)：

也即是(P4)

方程组(P4)含有(h+1)个未知数w₁,w₂,…,w_h,λ,h个方程，解此方程组还不能确定唯一方程解；因w₁+w₂+…+w_h＝1,故将此式加到方程组(P4)中可得到(h+1)个方程，(h+1)个未知量的方程：

解此方程组即可求得权重向量w＝[w₁,w₂,…,w_h]^T。

所述步骤S6中的三种属性具体指“Friendly-Hostil”、“Lively-Calm”和“Casual-Formal”，所述步骤S6具体为：建立以模糊氛围场的三种属性即“Friendly-Hostil”、“Lively-Calm”和“Casual-Formal”为三维坐标轴的家居交流氛围场模型。

所述的步骤S7具体为采用专家规则，即通过一个或多个专家提供的经验或进行大量的问卷调查所定制的一套规则，结合家居色彩情感状态和背景音乐情感状态对交流氛围场影响的权重大小，对步骤S6中建立的家居氛围场模型进行分析处理得到最终的氛围场识别结果。在得到最终的氛围场识别结果后，本实施例将结合图形心理学知识，采用颜色、形状、幅度等计算机图形元素来表示氛围场状态的每一个属性，即每一个坐标轴，更加生动和形象地描述氛围场的变化。

实施例2、一种家居环境下的氛围场识别系统。

参见图5，本实施例提供的家居环境下的氛围场识别模块包括数据获取模块21、特征信息提取模块22、降维处理模块23、情感分类模块24、模糊层次分析模块25以及氛围场模型建立模块26。

数据获取模块21，用于获取家居环境下的视听信息；

特征信息提取模块22，用于从所述视听信息中提取出家居色彩特征信息和背景音乐特征信息；

降维处理模块23，用于对所述家居色彩特征信息和所述背景音乐特征信息分别进行PCA降维处理，得到家居色彩模态样本和背景音乐模态样本；

情感分类模块24，用于对所述家居色彩模态样本进行SVM色彩情感分类，得到家居色彩情感分类集合；以及还用于对所述背景音乐模态样本进行SVM背景音乐情感分类，得到背景音乐情感分类集合；

模糊层次分析模块25，用于动态协调背景音乐情感状态和家居色彩情感状态对交流氛围场影响的权重大小，并结合专家规则对家居交流氛围场模型进行分析处理得到最终的氛围场识别结果；

氛围场模型建立模块26，用于建立以模糊氛围场的三种属性为三维坐标轴的家居色彩氛围场模型，将最终的氛围场识别结果与氛围场三维坐标模型对应起来，并进行图形可视化显示。

本发明提供的一种家居环境下的氛围场识别方法，采用基于SVM-FAHP的家居交流氛围分析方法，一方面SVM分类器通过对不同参数的调节，优化了决策的输入量，大大降低了计算的复杂程度，达到提高决策效率的目的；另一方面采用模糊层次分析法，在基于SVM情感分类得到的家居色彩情感和背景音乐情感的基础上，动态的调整两者情感状态对家居交流氛围场影响的权重大小，使之能够更准确地得出实时的家居交流氛围场状态，从而提高氛围场识别的准确性和可靠性。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。