本發(fā)明屬于氛圍場識別領(lǐng)域，具體涉及一種家居環(huán)境下的氛圍場識別方法及識別系統(tǒng)。

背景技術(shù)：

隨著生活水平的提高和信息技術(shù)的高速發(fā)展，人類對智能化生活的需求越來越高，人機交互能力也得到越來越多的重視，具有情感交互的機器成為智能家居領(lǐng)域的研究熱點，而交流氛圍場的識別已成為情感計算的一個重要內(nèi)容，人機交流的氛圍場識別是實現(xiàn)機器人與人類之間隨意交流的一個重要組成部分。目前，針對交流氛圍場的研究還處于起步階段，相關(guān)研究主要是在心理學(xué)、行為科學(xué)等領(lǐng)域展開，應(yīng)用于信息科學(xué)方面的研究還不是很多。隨著通信技術(shù)的不斷發(fā)展，人們之間交流方式不斷地增加和多樣化，除了面對面的交流，基于網(wǎng)絡(luò)聊天工具的交流方式，人與計算機之間的交流，人與機器人之間的交流等已經(jīng)逐漸進入我們的生活。

氛圍場是彌漫在空間中的能夠影響行為過程和結(jié)果的心理因素和心理感受，是由個人或多人對話過程中所營造出來的氣氛，包括：緊張、興奮、沮喪、恐懼、期待、高興、熱烈、冷漠、積極、消極、肯定、否定、懷疑、信任、尊敬、鄙視等。通過實時對交流氛圍場進行分析，機器人可以掌握交流氛圍場，以及說話人所表達的情感，從而做出適當(dāng)反應(yīng)，以適應(yīng)人類情感的不斷變化，例如安撫、鼓勵、贊美等等。情感識別/分析主要是針對個人進行，在人機交互中，特別是多人對多機器人的交互過程中，僅僅分析情感狀態(tài)并不能反映出整體的交流氛圍場。

技術(shù)實現(xiàn)要素：

本發(fā)明提供的一種家居環(huán)境下的氛圍場識別方法及識別系統(tǒng)，能夠準(zhǔn)確識別家居環(huán)境下的氛圍場。

本發(fā)明解決上述技術(shù)問題的技術(shù)方案如下：提供了一種家居環(huán)境下的氛圍場識別方法，包括：

S1，獲取家居環(huán)境下的視聽信息；

S2，從所述視聽信息提取出家居色彩特征信息和背景音樂特征信息；

S3，對所述家居色彩特征信息和所述背景音樂特征信息分別進行PCA降維處理，得到家居色彩模態(tài)樣本和背景音樂模態(tài)樣本；

S4，對所述家居色彩模態(tài)樣本進行色彩情感分類，得到家居色彩情感狀態(tài)，并將其映射到家居色彩APA情感空間模型中；以及對所述背景音樂模態(tài)樣本進行背景音樂情感分類，得到背景音樂情感狀態(tài)，并將其映射到背景音樂APA情感空間模型中；

S5，采用模糊層次分析法(FAHP)，分析家居色彩情感狀態(tài)和背景音樂情感狀態(tài)對家居交流氛圍場影響的權(quán)重大小，結(jié)合專家規(guī)則得到最終的氛圍場識別結(jié)果。

為了解決本發(fā)明的技術(shù)問題，還提供了一種家居環(huán)境下的氛圍場識別系統(tǒng)，包括：

數(shù)據(jù)獲取模塊，用于獲取家居環(huán)境下的視聽信息；

特征信息提取模塊，用于從所述視聽信息中提取出家居色彩特征信息和背景音樂特征信息；

降維處理模塊，用于對所述家居色彩特征信息和所述背景音樂特征信息分別進行PCA降維處理，得到家居色彩模態(tài)樣本和背景音樂模態(tài)樣本；

情感分類模塊，用于對所述家居色彩模態(tài)樣本進行色彩情感分類，得到家居色彩情感狀態(tài)；以及還用于對所述背景音樂模態(tài)樣本進行背景音樂情感分類，得到背景音樂情感狀態(tài)；

模糊層次分析模塊，用于分析背景音樂情感狀態(tài)和家居色彩情感狀態(tài)對交流氛圍場影響的權(quán)重大小，并結(jié)合專家規(guī)則對家居交流氛圍場模型進行分析處理得到最終的氛圍場識別結(jié)果。

本發(fā)明的有益效果為：采用了模糊層次分析法，分析了家居色彩氛圍場的影響因素，并結(jié)合專家規(guī)則，能夠更準(zhǔn)確地得出實時的家居色彩氛圍場狀態(tài)，從而提高氛圍場識別的準(zhǔn)確性和可靠性。

附圖說明

圖1為本發(fā)明實施例1的一種家居環(huán)境下的氛圍場識別方法流程圖；

圖2為SVM情感分類器分類流程；

圖3為SVM完全二叉決策樹結(jié)構(gòu)。

圖4為模糊層次分析模塊結(jié)構(gòu)圖；

圖5為實施例2的一種家居環(huán)境下的氛圍場識別模塊框圖；

具體實施方式

以下結(jié)合附圖對本發(fā)明的原理和特征進行描述，所舉實例只用于解釋本發(fā)明，并非用于限定本發(fā)明的范圍。

實施例1、一種家居環(huán)境下的氛圍場識別方法。

參見圖1，本實施例提供的氛圍場識別方法包括：

1、一種家居環(huán)境下的氛圍場識別方法，其特征在于，包括以下步驟：

S1，獲取家居環(huán)境下的視聽信息；

S2，從所述視聽信息中提取出家居色彩特征信息和背景音樂特征信息；

其中，視聽信息中包括視頻信息和音頻信息，從視頻信息中提取出家居色彩特征信息，以及從音頻信息中提取出背景音樂特征信息；

S3，對所述家居色彩特征信息和所述背景音樂特征信息分別進行PCA降維處理，得到家居色彩模態(tài)樣本和背景音樂模態(tài)樣本；

S4，對所述家居色彩模態(tài)樣本進行色彩情感分類，得到家居色彩情感狀態(tài),并將其映射到家居色彩APA情感空間模型中；以及對所述背景音樂模態(tài)樣本進行背景音樂情感分類，得到背景音樂情感狀態(tài)，并將其映射到背景音樂APA情感空間模型中；

S5，采用模糊層次分析法(FAHP)，動態(tài)計算家居色彩情感狀態(tài)和背景音樂情感狀態(tài)對家居交流氛圍場影響的權(quán)重大小，得到最終的氛圍場識別結(jié)果。

下面對上述步驟進行具體說明。

所述步驟S4中對所述家居色彩模態(tài)樣本進行色彩情感分類，得到家居色彩情感狀態(tài)，本發(fā)明以SVM情感分類為例，參見圖2和圖3，其核心思想是：采用SVM二叉樹結(jié)果將視聽信息情感狀態(tài)分為h類，選擇多名同學(xué)對多個視聽信息進行問卷調(diào)查，統(tǒng)計選取m個樣本作為訓(xùn)練樣本，其中“高興的”有a個，“驚訝的”有b個，“悲傷的”有c個，“害怕的”有d個，“生氣的”有e個，“厭惡的”有f個，且a+b+c+d+e+f＝m；剩下的作為測試樣本，其中，m為正整數(shù)；

設(shè)置h-1個SVM分類器，每一個SVM分類器分別將不同視聽信息情感狀態(tài)下的訓(xùn)練樣本作為正的訓(xùn)練樣本和負(fù)的訓(xùn)練樣本進行訓(xùn)練，得到h-1個分類器模型文件，其中，h為正整數(shù)；分類時，通過對家居環(huán)境下降維得到視聽信息即家居色彩和背景音樂模態(tài)樣本進行訓(xùn)練，從而得到家居色彩和背景音樂的情感狀態(tài)。

以下以一個具體的例子對家居色彩情感的SVM分類來進行說明。

SVM分類器采用完全二叉決策樹結(jié)構(gòu)將家居色彩情感狀態(tài)類別分為6類，參見圖4，在本實施例中，將家居色彩情感狀態(tài)類別分為“高興”、“悲傷”、“厭惡”、“生氣”、“驚訝”和“害怕”；選擇不同性格的學(xué)生對200個家居色彩模態(tài)樣本進行問卷調(diào)查，選取具有代表性的150個家居色彩模態(tài)樣本作為訓(xùn)練樣本，然后從剩余的50個家居色彩模態(tài)樣本中挑選40個作為測試集。然后，選擇h-1個SVM分類器，第一個分類器SVM1以“高興”、“驚訝”兩類樣本數(shù)據(jù)為正的訓(xùn)練樣本，“悲傷”、“生氣”、“厭惡”、“害怕”四類樣本數(shù)據(jù)為負(fù)的訓(xùn)練樣本來訓(xùn)練；第二個分類器SVM2以“高興”這類樣本數(shù)據(jù)作為正的訓(xùn)練樣本，而“驚訝”這類樣本數(shù)據(jù)作為負(fù)的訓(xùn)練樣本進行訓(xùn)練；第三個分類器SVM3以“悲傷”、“生氣”這類樣本數(shù)據(jù)為正的訓(xùn)練樣本進行訓(xùn)練，“厭惡”、“害怕”這類樣本數(shù)據(jù)為負(fù)的訓(xùn)練樣本進行訓(xùn)練；第四個分類器SVM4以“悲傷”這類樣本數(shù)據(jù)為正的訓(xùn)練樣本進行訓(xùn)練，“生氣”這類樣本數(shù)據(jù)為負(fù)的訓(xùn)練樣本進行訓(xùn)練；第五個分類器SVM5以“厭惡”這類樣本數(shù)據(jù)為正的訓(xùn)練樣本進行訓(xùn)練，“害怕”這類樣本數(shù)據(jù)為負(fù)的訓(xùn)練樣本進行訓(xùn)練；至此得到5組家居色彩模態(tài)訓(xùn)練樣本數(shù)據(jù)。

分類時，通過對降維得到的家居色彩模態(tài)樣本數(shù)據(jù)進行訓(xùn)練，得到了家居色彩情感狀態(tài)，在本實施例中，h＝6。

以下以一個具體的例子對背景音樂情感的SVM分類來進行說明說明。

SVM分類器采用完全二叉決策樹結(jié)構(gòu)將背景音樂情感狀態(tài)類別分為6類，參見圖4，在本實施例中，將背景音樂情感狀態(tài)類別分為“高興”、“悲傷”、“厭惡”、“生氣”、“驚訝”和“害怕”；選擇不同性格的學(xué)生對200個背景音樂模態(tài)樣本進行問卷調(diào)查，選取具有代表性的150個背景音樂模態(tài)樣本作為訓(xùn)練樣本，然后從剩余的50個背景音樂模態(tài)樣本中挑選40個作為測試集；選取h-1個SVM分類器，第一個分類器SVM1以“高興”、“驚訝”兩類樣本數(shù)據(jù)為正的訓(xùn)練樣本，“悲傷”、“生氣”、“厭惡”、“害怕”四類樣本數(shù)據(jù)為負(fù)的訓(xùn)練樣本來訓(xùn)練；第二個分類器SVM2以“高興”這類樣本數(shù)據(jù)作為正的訓(xùn)練樣本，而“驚訝”這類樣本數(shù)據(jù)作為負(fù)的訓(xùn)練樣本進行訓(xùn)練；第三個分類器SVM3以“悲傷”、“生氣”這類樣本數(shù)據(jù)為正的訓(xùn)練樣本進行訓(xùn)練，“厭惡”、“害怕”這類樣本數(shù)據(jù)為負(fù)的訓(xùn)練樣本進行訓(xùn)練；第四個分類器SVM4以“悲傷”這類樣本數(shù)據(jù)為正的訓(xùn)練樣本進行訓(xùn)練，“生氣”這類樣本數(shù)據(jù)為負(fù)的訓(xùn)練樣本進行訓(xùn)練；第五個分類器SVM5以“厭惡”這類樣本數(shù)據(jù)為正的訓(xùn)練樣本進行訓(xùn)練，“害怕”這類樣本數(shù)據(jù)為負(fù)的訓(xùn)練樣本進行訓(xùn)練；至此得到5組背景音樂模態(tài)訓(xùn)練樣本數(shù)據(jù)。

分類時，通過對降維得到的背景音樂模態(tài)樣本數(shù)據(jù)進行訓(xùn)練，得到背景音樂情感狀態(tài)。本實施例中，h＝6。

需要說明的是，本實施例中將基本情感類別通常分為6種，即上述的h＝6，分別為高興、悲傷、生氣、驚訝、厭惡和害怕6種基本情感類別。其中的家居色彩特征信息包括色相、飽和度、明度等，同樣的，背景音樂特征信息包括音階、節(jié)奏、音域、音量、音色等。

另外，在識別家居色彩氛圍場的過程中，建立以模糊氛圍場的三種屬性為三維坐標(biāo)軸的家居色彩氛圍場模型，將最終的家居氛圍識別結(jié)果與氛圍場三維坐標(biāo)模型對應(yīng)起來，并進行圖形可視化顯示。本實施例中，模糊氛圍場的三種屬性具體指“友好-敵對”、“平靜-活躍”和“隨意-正式”，將這三種屬性作為三個坐標(biāo)軸，將實時計算得到的最終的家居氛圍場識別結(jié)果與氛圍場三維坐標(biāo)模型對應(yīng)起來，并進行圖形可視化顯示，即采用幅度、形狀等計算機圖形元素來表示氛圍場狀態(tài)的每一個屬性，即每一個坐標(biāo)軸，更加生動和形象地描述家居氛圍場的變化。

所述步驟S5中動態(tài)計算家居色彩情感狀態(tài)和背景音樂情感狀態(tài)對家居交流氛圍場影響的權(quán)重大小具體包括：

S51、因為家居交流氛圍的決策需要考慮很多因素，可參見圖4，將其影響因素分層得到模糊層次分析模塊結(jié)構(gòu)圖。

S52、建立模糊判斷矩陣，即矩陣R＝(r_ij)_h*h，且0≤r_ij≤1(i,j＝1,2,…,h)，若模糊判斷矩陣R＝(r_ij)_h*h滿足有r_ij＝r_ik-r_jk+0.5i,j,k＝1,2,…,h，則所述模糊判斷矩陣R＝(r_ij)_h*h為模糊一致矩陣；若所述模糊判斷矩陣不具有一致性時，需要調(diào)整矩陣元素，使其具有一致性，其中，模糊一致判斷矩陣為：

其中r_ij表示元素p_i和p_j相對于家居交流氛圍場進行比較時，元素p_i和p_j具有模糊關(guān)系，為使任意兩個方案關(guān)于某準(zhǔn)則的相對重要程度得到定量的描述，可采用0.1—0.9的標(biāo)度給予數(shù)量標(biāo)度，數(shù)量標(biāo)準(zhǔn)如下所示：

S53、根據(jù)S51給予的數(shù)字標(biāo)度，得到情感元素p₁,p₂,…,p_h兩兩比較重要程度的模糊判斷矩陣R:

S54.1、由模糊一致判斷矩陣R求元素p₁,p₂,…,p₆的權(quán)重值w₁,w₂,…,w₆，設(shè)元素進行兩兩重要性比較之后，根據(jù)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是感知對象的差異程度的一種度量；

S54.2、模糊判斷矩陣R不一致時，即公式r_ij＝0.5+a(w_i-w_j)i,j＝1,2,…,h中的等式不是嚴(yán)格成立的時候，這時可采用最小二乘法求權(quán)重向量w＝[w₁,w₂,…,w_h]^T，即求解如下的約束規(guī)劃問題：

(P1)

由拉格朗日乘子法知，約束規(guī)劃問題(P1)等價于如下無約束規(guī)劃問題(P2):其中，λ是拉格朗日乘子；

S54.3、將L(w,λ)關(guān)于w_i(i＝1,2,…,h)求偏導(dǎo)數(shù)，并令其為零，得h個代數(shù)方程組成的方程組(P3)：

也即是(P4)

方程組(P4)含有(h+1)個未知數(shù)w₁,w₂,…,w_h,λ,h個方程，解此方程組還不能確定唯一方程解；因w₁+w₂+…+w_h＝1,故將此式加到方程組(P4)中可得到(h+1)個方程，(h+1)個未知量的方程：

解此方程組即可求得權(quán)重向量w＝[w₁,w₂,…,w_h]^T。

所述步驟S6中的三種屬性具體指“Friendly-Hostil”、“Lively-Calm”和“Casual-Formal”，所述步驟S6具體為：建立以模糊氛圍場的三種屬性即“Friendly-Hostil”、“Lively-Calm”和“Casual-Formal”為三維坐標(biāo)軸的家居交流氛圍場模型。

所述的步驟S7具體為采用專家規(guī)則，即通過一個或多個專家提供的經(jīng)驗或進行大量的問卷調(diào)查所定制的一套規(guī)則，結(jié)合家居色彩情感狀態(tài)和背景音樂情感狀態(tài)對交流氛圍場影響的權(quán)重大小，對步驟S6中建立的家居氛圍場模型進行分析處理得到最終的氛圍場識別結(jié)果。在得到最終的氛圍場識別結(jié)果后，本實施例將結(jié)合圖形心理學(xué)知識，采用顏色、形狀、幅度等計算機圖形元素來表示氛圍場狀態(tài)的每一個屬性，即每一個坐標(biāo)軸，更加生動和形象地描述氛圍場的變化。

實施例2、一種家居環(huán)境下的氛圍場識別系統(tǒng)。

參見圖5，本實施例提供的家居環(huán)境下的氛圍場識別模塊包括數(shù)據(jù)獲取模塊21、特征信息提取模塊22、降維處理模塊23、情感分類模塊24、模糊層次分析模塊25以及氛圍場模型建立模塊26。

數(shù)據(jù)獲取模塊21，用于獲取家居環(huán)境下的視聽信息；

特征信息提取模塊22，用于從所述視聽信息中提取出家居色彩特征信息和背景音樂特征信息；

降維處理模塊23，用于對所述家居色彩特征信息和所述背景音樂特征信息分別進行PCA降維處理，得到家居色彩模態(tài)樣本和背景音樂模態(tài)樣本；

情感分類模塊24，用于對所述家居色彩模態(tài)樣本進行SVM色彩情感分類，得到家居色彩情感分類集合；以及還用于對所述背景音樂模態(tài)樣本進行SVM背景音樂情感分類，得到背景音樂情感分類集合；

模糊層次分析模塊25，用于動態(tài)協(xié)調(diào)背景音樂情感狀態(tài)和家居色彩情感狀態(tài)對交流氛圍場影響的權(quán)重大小，并結(jié)合專家規(guī)則對家居交流氛圍場模型進行分析處理得到最終的氛圍場識別結(jié)果；

氛圍場模型建立模塊26，用于建立以模糊氛圍場的三種屬性為三維坐標(biāo)軸的家居色彩氛圍場模型，將最終的氛圍場識別結(jié)果與氛圍場三維坐標(biāo)模型對應(yīng)起來，并進行圖形可視化顯示。

本發(fā)明提供的一種家居環(huán)境下的氛圍場識別方法，采用基于SVM-FAHP的家居交流氛圍分析方法，一方面SVM分類器通過對不同參數(shù)的調(diào)節(jié)，優(yōu)化了決策的輸入量，大大降低了計算的復(fù)雜程度，達到提高決策效率的目的；另一方面采用模糊層次分析法，在基于SVM情感分類得到的家居色彩情感和背景音樂情感的基礎(chǔ)上，動態(tài)的調(diào)整兩者情感狀態(tài)對家居交流氛圍場影響的權(quán)重大小，使之能夠更準(zhǔn)確地得出實時的家居交流氛圍場狀態(tài)，從而提高氛圍場識別的準(zhǔn)確性和可靠性。

以上所述僅為本發(fā)明的較佳實施例，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進等，均應(yīng)包含在本發(fā)明的保護范圍之內(nèi)。