[发明专利]机器人的自主情感生成方法、系统及应用

权利要求书

1.一种机器人的自主情感生成方法，其特征在于，包括：

收集包含目标人物和目标人物以外其他人物的视频，对视频进行情感标注得到标注向量；

根据所述标注向量准备训练数据，通过长短期记忆网络进行训练以得到所述目标人物的情感生成模型；

获取当前场景的人物情感作为机器人情感输入，并根据所述情感生成模型模型生成当前的机器人自主情感。

2.如权利要求1所述的自主情感生成方法，其特征在于，所述“对视频进行情感标注得到标注向量”的方法包括：

对一个连续视频，将情感设置为n个维度，n为大于1的整数，设定每个情感维度的标签数量为k，得到该一个连续视频的标注向量的大小N＝k1+k2+……+Kn，其中数值Kn为第n个情感维度的标签数量；

对于视频序列为预设的M个、每个视频序列的时长为预设的P、预设的人数Q，最终得到标注向量的大小为M*P*Q*N。

3.如权利要求2所述的自主情感生成方法，其特征在于，所述维度包括：时长、人物、年龄、人物关系、语音情感、表情情感和场景；

关于所述时长，设定预设的时间间隔t，采用数字1*t,2*t,3*t,…，w*t进行标注，w*t代表第w个时间间隔时的时长；

关于所述人物，采用数字1,2,3,…，m进行标注，m代表第m个人物；

关于所述年龄，使用自然数进行标注，分为多个年龄段；

关于所述人物关系，包括：家人、朋友、同事、情侣、偶像、陌生人，分别以数字做代号；

关于所述场景标签，使用1*3的向量表示，分别代表3种场景：正向，负向，中性；

所述语音情感和表情情感，分别包括：开心、惊讶、伤心、担心、生气、厌恶或中性。

4.如权利要求3所述的自主情感生成方法，其特征在于，所述时间间隔的时长选自0.01-10秒的数值范围。

5.如权利要求3所述的自主情感生成方法，其特征在于，所述间隔时长为1秒。

6.如权利要求5所述的自主情感生成方法，其特征在于，进行标注后，每一间隔时长的视频可以得到X*N的标注向量，其中X由视频中出现的人数而确定，在不同的间隔时长的视频中，人物数X的数值不同，假设整个数据集中涉及的人物数量为Q，如某一个人物不在间隔时长视频中出现，则对应的1*N标注向量设置为全0向量。

7.如权利要求2所述的自主情感生成方法，其特征在于，所述“根据所述标注向量准备训练数据”的方法包括：

根据最终得到的M*P*Q*N的标注向量，指定要训练的情感自主模型以所述目标人物为目标，标注向量为(x,y)的样本形式；

其中，x为(Q-1)*(N-2)，时长、人物两个维度的数据不参与训练；

其中，y为1*(N-3)，时长，人物，年龄三个维度的数据不参与结果；

样本数序列数为M个，每个样本对应的序列长度为P，每个序列中的一个元素为(x,y)。

8.如权利要求2所述的自主情感生成方法，其特征在于，所述“通过长短期记忆网络进行训练以得到所述目标人物的情感生成模型”的方法包括：

使用长短期记忆网络作为基本网络，设置神经元个数，输入神经元个数为(Q-1)*(N-2)，输出神经元个数为1*(N-3)，损失函数采用均方误差；

使用准备的训练数据在长短期记忆网络中进行训练，最终选取损失最小的模型作为人物目标人物的情感生成模型。

9.如权利要求1-7中任一项所述的自主情感生成方法，其特征在于，所述生成机器人自主情感的步骤包括：

计算当前机器人获取到的情感；

在训练模型中，得到目标人物的情感模型，在机器人应用中，设置机器人中家人、朋友的通讯录图像，在识别到用户后，确定所述用户与机器人的关系；

使用当前机器人获取到的情感，输入到所述情感生成模型中，经过模型运算得到当前机器人的自主情感。