白茹意

(山西大學(xué) 軟件學(xué)院，山西 太原 030013)

0 引 言

抽象畫是由繪畫者通過他們的主觀思想，用點(diǎn)、線、面、顏色等組合視覺形式來表達(dá)的，通常被理解為不描述自然的藝術(shù)[1]。抽象畫通過色彩，圖像的組合來表達(dá)人內(nèi)心熱烈的情感，被稱為“熱抽象”；不表達(dá)情感，而是通過圖形和色彩的組合來表達(dá)結(jié)構(gòu)，被稱為“冷抽象”。在創(chuàng)作抽象畫時(shí)，藝術(shù)家根據(jù)自己的審美觀念，決定作品懸掛的正確方向。雖然正確的方向通常在畫布的背面指定，對(duì)于普通的沒有藝術(shù)背景的觀察者來說是很不明顯的。如何在抽象繪畫中找到與方向相關(guān)的因素，大眾對(duì)抽象畫的審美價(jià)值是否因錯(cuò)誤的繪畫方向而降低。這些問題成為研究抽象畫方向?qū)徝赖幕A(chǔ)。一些心理學(xué)研究已經(jīng)表明[2]，繪畫方向是一個(gè)與審美評(píng)價(jià)有關(guān)系的因素，抽象繪畫的原始方向更易于獲得較高的審美評(píng)價(jià)，專業(yè)的藝術(shù)家或非專業(yè)的觀賞者對(duì)正確方向的欣賞程度遠(yuǎn)遠(yuǎn)高于平均水平(25%)，但低于完美(100%)。

隨著信息數(shù)字化的趨勢(shì)，在網(wǎng)上可以很容易地找到繪畫的數(shù)字圖像。這使得計(jì)算機(jī)輔助繪畫分析成為可能，通過直接探索計(jì)算視覺特征與人的審美感知之間的關(guān)系，人們研究了各種審美評(píng)價(jià)方法。近年來，許多計(jì)算機(jī)視覺、模式識(shí)別、圖像處理等方法已經(jīng)被廣泛應(yīng)用到繪畫分析中，但很少有方法通過關(guān)注繪畫的方向來分析圖像審美評(píng)價(jià)。

Amirshahi等人[3]招募受試者對(duì)藝術(shù)家的高質(zhì)量的彩色繪畫圖像進(jìn)行審美評(píng)分，然后計(jì)算每幅繪畫圖像的平均分，最后根據(jù)評(píng)分將圖像分為兩類(高美學(xué)和低美學(xué))。Yanulevskaya等人[4]招募100個(gè)受試者給500幅抽象畫進(jìn)行7級(jí)評(píng)分，采用Lab顏色模型和SIFT(尺度不變特征轉(zhuǎn)換)提取圖像特征，將特征輸入SVM分類模型，實(shí)現(xiàn)繪畫的情感分類。Li等人[5]招募42名受試者對(duì)100幅繪畫圖像進(jìn)行1-5級(jí)美學(xué)評(píng)分，分析繪畫的視覺復(fù)雜度。Guo等人[6]要求受試者按照1-7級(jí)對(duì)繪畫圖像進(jìn)行復(fù)雜度評(píng)分，將“3”和“5”作為閾值，按照評(píng)分把圖像分為“低復(fù)雜度”、“中復(fù)雜度”和“高復(fù)雜度”。這些方法主要通過調(diào)查問卷實(shí)現(xiàn)美學(xué)評(píng)價(jià)，而文中則通過眼動(dòng)實(shí)驗(yàn)對(duì)圖像美學(xué)進(jìn)行客觀評(píng)價(jià)。

目前，研究者也對(duì)如何判斷圖像的方向進(jìn)行了大量的研究。Mather[7]以調(diào)查問卷的形式設(shè)置實(shí)驗(yàn)，研究受試者對(duì)抽象畫不同方向的審美偏好。Lumini和Nanni[8]自動(dòng)檢測(cè)攝影照片的方向，提取了顏色和紋理特征，在6 000多個(gè)數(shù)據(jù)集上采用SVM(支持向量機(jī))、AdaBoost和子空間分類器進(jìn)行方向識(shí)別。Lyu[9]對(duì)18 040幅自然圖像進(jìn)行自動(dòng)方向檢測(cè)，采用多尺度多方向小波變換提取特征，最后通過多二進(jìn)制支持向量機(jī)確定圖像方向。Ivana等[10]在5 400幅數(shù)據(jù)集上對(duì)戶外圖像方向(0o,90o,-90o)進(jìn)行自動(dòng)檢測(cè)，首先根據(jù)圖像所包含的語義線索(如人臉、光線或天空)，將圖像按層次分為不同的組，然后對(duì)每組進(jìn)行獨(dú)立的SVM分類器訓(xùn)練。Borawski等[11]判斷圖像法步驟如下:圖像降尺度，定位圖像子部分，計(jì)算絕對(duì)頻譜的對(duì)數(shù)，計(jì)算極坐標(biāo)，最后確定圖像的方向。Ciocca等[12]采用圖像的底層特征，基于人臉方向判斷圖像的正確方向。Ciocca等[13]采用LBP-LRR方法對(duì)10萬張場(chǎng)景圖像的方向進(jìn)行自動(dòng)識(shí)別。Hollitt等[14]使用圖像的功率譜密度估計(jì)攝像系統(tǒng)的滾動(dòng)方向，并利用Hough變換確定圖像中線的方向。Swami等[15]通過使用低水平視覺特征，采用卷積神經(jīng)網(wǎng)絡(luò)對(duì)大量圖像進(jìn)行方向檢測(cè)，準(zhǔn)確率達(dá)到95%。Jia[16]基于抽象藝術(shù)理論，將圖像進(jìn)行上下、左右分割，并采用顏色和紋理特征，運(yùn)用樸素貝葉斯和BP神經(jīng)網(wǎng)絡(luò)對(duì)抽象畫的方向進(jìn)行分類。

基于以往的研究，文中的優(yōu)勢(shì)在于：(1)目前有關(guān)抽象繪畫方向的審美數(shù)據(jù)獲取主要采取問卷調(diào)查等方法，致使繪畫樣本及數(shù)據(jù)偏重主觀性，缺乏客觀的準(zhǔn)確表述。文中采用眼動(dòng)追蹤技術(shù)，結(jié)合審美偏好數(shù)據(jù)對(duì)抽象畫的方向?qū)徝肋M(jìn)行主客觀綜合分析。(2)目前對(duì)方向檢測(cè)的研究主要針對(duì)自然和場(chǎng)景圖像。然而，抽象畫圖像的內(nèi)容和語義相對(duì)于自然圖像比較含蓄，不明顯，因此對(duì)抽象畫的方向檢測(cè)會(huì)比較困難，近幾年的相關(guān)工作也比較少。為了提高抽象畫的方向檢測(cè)準(zhǔn)確率，文中采用基于非旋轉(zhuǎn)不變等價(jià)LBP(nri-uniform-LBP)描述符和支持向量機(jī)(SVM)算法的自動(dòng)識(shí)別方法，將抽象畫分為正確方向(向上)和不正確方向(不向上)兩類。算法框架如圖1所示。

圖1 算法框架

1 抽象畫方向?qū)徝姥芯?/h2>

1.1 眼動(dòng)方法

眼動(dòng)方法[17]在視覺心理學(xué)中的應(yīng)用由來已久，國(guó)外學(xué)者將眼動(dòng)引入到視覺心理學(xué)的研究來考察與視覺認(rèn)知過程中的眼動(dòng)特點(diǎn)，近幾年來，心理學(xué)家越來越重視各種視覺認(rèn)知過程的眼動(dòng)研究。當(dāng)前主要的眼動(dòng)數(shù)據(jù)可視化工具包括BeGaze，TobiiStudio，GazrTracker等。這些工具能導(dǎo)入眼動(dòng)數(shù)據(jù)文件，然后生成熱點(diǎn)圖、掃描路徑圖等可視化結(jié)果，并支持視頻回放、興趣區(qū)AOI定義、數(shù)據(jù)統(tǒng)計(jì)等功能，最后還能將可視化結(jié)果以圖片的形式輸出與保存，可有效地提高數(shù)據(jù)可視化的效率和質(zhì)量。隨著這些工具的推廣,眼動(dòng)數(shù)據(jù)在用戶界面可用性評(píng)估、廣告與品牌、產(chǎn)品設(shè)計(jì)評(píng)價(jià)、學(xué)習(xí)與閱讀、駕駛行為等研究領(lǐng)域也得到了廣泛應(yīng)用。

文中采用的實(shí)驗(yàn)儀器為Tobii_T60眼動(dòng)儀，眼動(dòng)數(shù)據(jù)采樣頻率為60 Hz，顯示器大小為17英寸，分辨率為1 280*1 024，實(shí)驗(yàn)圖片均為png格式。眼動(dòng)數(shù)據(jù)分析使用Tobii_Studio分析軟件，其自帶四種強(qiáng)大的可視化工具——熱點(diǎn)圖、聚類、眼動(dòng)軌跡圖和眼動(dòng)過程還原，該軟件還支持眼動(dòng)數(shù)據(jù)的統(tǒng)計(jì)分析。文中所有數(shù)據(jù)結(jié)果均使用SPSS 20.0軟件進(jìn)行處理。

眼動(dòng)研究選用的指標(biāo)相對(duì)集中，特別是針對(duì)藝術(shù)作品的眼動(dòng)研究中所選用的指標(biāo)比較統(tǒng)一，主要指標(biāo)有：注視次數(shù)、注視時(shí)間、首次注視時(shí)間、眼動(dòng)軌跡、眼跳距離等等。針對(duì)文中的研究目的，最終決定采用以下兩個(gè)指標(biāo)進(jìn)行眼動(dòng)規(guī)律的分析，即注視次數(shù)(FC)、注視時(shí)間(FD)，并結(jié)合審美偏好進(jìn)行主客觀的綜合分析。

1.2 實(shí)驗(yàn)設(shè)計(jì)

選取25幅來自于Wikiart(http://www.wikiart.org)的抽象畫，每一幅畫被順時(shí)針旋轉(zhuǎn)(0o,90o,180o,270o)后得到四幅方向不同的繪畫，隨機(jī)擺放到一張圖片上同時(shí)顯示，在每幅圖下標(biāo)記(A,B,C,D)，如圖2所示。選取15名(9名男性，6名女性，年齡19～22)受試者參與實(shí)驗(yàn)。所有受試者視力或矯正視力正常，之前均沒有繪畫及美學(xué)方面的研究背景。實(shí)驗(yàn)操作時(shí)，受試者端坐于電腦桌面的正前方，與屏幕保持大約55 cm～60 cm的距離(該距離為實(shí)驗(yàn)的有效距離)，完全固定受試者的座椅來保持這個(gè)有效距離，并且要求受試者的頭部在實(shí)驗(yàn)中不能左右移動(dòng)。由于眼動(dòng)是一種易受外界干擾的活動(dòng)，實(shí)驗(yàn)過程中確保環(huán)境安靜，光線強(qiáng)度適中，每一位受試者的眼動(dòng)實(shí)驗(yàn)相對(duì)獨(dú)立的進(jìn)行。受試者獨(dú)立進(jìn)行實(shí)驗(yàn)，未做實(shí)驗(yàn)前，受試者不允許提前觀看實(shí)驗(yàn)材料，受試者進(jìn)行實(shí)驗(yàn)的先后順序可認(rèn)為是隨機(jī)的。受試者被給定一個(gè)無限制的時(shí)間觀看每張圖片上的四幅繪畫，“選擇四幅圖中你認(rèn)為最令人舒適的或有意義的一幅”，并在圖片下方用鼠標(biāo)點(diǎn)擊該幅繪畫所對(duì)應(yīng)按鈕，問卷調(diào)查結(jié)果即為受試者對(duì)抽象畫的審美偏好。與此同時(shí)，通過眼動(dòng)儀記錄受試者的眼動(dòng)軌跡。

圖2 實(shí)驗(yàn)界面

1.3 審美偏好結(jié)果分析

實(shí)驗(yàn)結(jié)束后，調(diào)查審美偏好數(shù)據(jù)由電子問卷導(dǎo)出Excel格式數(shù)據(jù)，回收15份調(diào)查問卷，回收率100%，問卷數(shù)據(jù)可以說明15位被調(diào)查者對(duì)這100幅繪畫的審美偏好。將每張圖片中的四幅繪畫分為兩組(由表1所示)：方向正確I(包含一幅繪畫0°)與不正確組Ⅱ(包含三幅繪畫)。實(shí)驗(yàn)結(jié)果顯示，受試者選擇結(jié)果與繪畫正確方向一致的概率達(dá)到62.4%，這一數(shù)字與文獻(xiàn)[7]中的實(shí)驗(yàn)結(jié)果相近，其余三個(gè)方向的被選擇率分別為16%，10.4%和10.9%。這一結(jié)果表明，所有其他方向被選擇的概率要低得多，大約在10%～16%，即受試者對(duì)方向正確(0°)的偏好明顯高于其他方向的偏好。

對(duì)以上數(shù)據(jù)進(jìn)行F檢驗(yàn)得出，對(duì)組Ⅱ內(nèi)部的三幅圖片進(jìn)行單因素方差分析得，F(xiàn)(2,72)=1.071,p=0.348，即組Ⅱ內(nèi)部沒有顯著性差異。對(duì)組I、組Ⅱ分析得F(3,96)=35.1,p<0.001，即組Ⅰ和組Ⅱ之間存在顯著性差異。比較表明，參與者一般不會(huì)傾向于將前后顛倒的圖像混淆，他們要么選擇了正確的方向，要么選擇了其余三個(gè)中的一個(gè)。

表1 審美偏好數(shù)據(jù)分析

1.4 眼動(dòng)結(jié)果分析

每位受試者獨(dú)立完成實(shí)驗(yàn)后，將每張圖片中四個(gè)不同方向的抽象畫劃為4個(gè)興趣區(qū)(AOI)，觀察每個(gè)AOI的熱點(diǎn)圖，如圖3所示。

圖3 眼動(dòng)實(shí)驗(yàn)AOI熱點(diǎn)圖

從圖3中可以直觀看出,被試者對(duì)方向正確繪畫(A)的關(guān)注程度明顯高于其余三幅繪畫(B,C,D)。針對(duì)文中的研究目的，采用注視次數(shù)(FC)和注視時(shí)間(FD)兩個(gè)眼動(dòng)指標(biāo)進(jìn)行分析，同樣將每張圖片中的四幅繪畫分為兩組：方向正確組Ⅰ(包含一幅繪畫)與不正確組Ⅱ(包含三幅繪畫)。如表2所示，四幅繪畫中，受試者對(duì)方向正確的繪畫注釋注視時(shí)間最長(zhǎng)的概率為72.7%，受試者對(duì)方向正確的繪畫注釋注視次數(shù)最多的概率為68.18%；組Ⅱ內(nèi)部沒有顯著性差異，而組Ⅰ和組Ⅱ之間存在顯著性差異。這一結(jié)果與審美偏好的結(jié)果一致，說明受試者對(duì)方向正確的繪畫注視時(shí)間會(huì)比較長(zhǎng)，次數(shù)也比較多。

表2 眼動(dòng)數(shù)據(jù)分析

1.5 綜合分析

將調(diào)查問卷中每幅繪畫的被選擇率作為該繪畫審美偏好的量化值，結(jié)合注視次數(shù)和注視時(shí)間，進(jìn)行二元定距變量相關(guān)分析，發(fā)現(xiàn)審美偏好與兩個(gè)眼動(dòng)指標(biāo)的Pearson相關(guān)系數(shù)為0.348和0.395(見表3)，即在0.01的顯著水平上，相關(guān)程度為弱相關(guān)(0.3≤|r|<0.5)。結(jié)果說明受試者在審美過程中的眼動(dòng)與其心理活動(dòng)具有一致性，結(jié)合表2的結(jié)果可得出，一般來說受試者對(duì)方向正確的繪畫注視次數(shù)較多，時(shí)間較長(zhǎng)，審美評(píng)價(jià)也比較高。

表3 注視時(shí)間、注視次數(shù)與問卷數(shù)據(jù)的相關(guān)性

2 抽象畫方向自動(dòng)識(shí)別

2.1 LBP

LBP[18](local binary pattern，局部二值模式)是由Ojala的機(jī)器視覺研究小組針對(duì)紋理圖像的研究所提出的，在模式識(shí)別和計(jì)算機(jī)視覺領(lǐng)域得到了廣泛的應(yīng)用。該方法是一種用來描述圖像局部紋理特征的算子，被定義為圖像中每個(gè)像素周圍的局部模式的直方圖。LBP具有對(duì)灰度變化不敏感，計(jì)算復(fù)雜度低，高效的識(shí)別能力、無需訓(xùn)練和易于工程實(shí)現(xiàn)等優(yōu)點(diǎn)，主要應(yīng)用于人臉識(shí)別、遙感圖像分析、工業(yè)檢測(cè)、醫(yī)學(xué)圖處理和動(dòng)態(tài)紋理識(shí)別等。然而，提出的方向識(shí)別方法采用的是LBP的另一個(gè)特性，即旋轉(zhuǎn)可變特性。

LBP是通過某個(gè)像素的灰度與其領(lǐng)域像素的灰度進(jìn)行閾值化來計(jì)算的。給定鄰域半徑R和像素個(gè)數(shù)P(鄰域R上的采樣點(diǎn)數(shù))，每個(gè)像素的LBPP,R計(jì)算如下:

(1)

其中，gc是當(dāng)前像素的灰度級(jí)，gn是其領(lǐng)域的灰度級(jí)，s(x)是一個(gè)符號(hào)函數(shù)：

(2)

設(shè)P=8，R=1時(shí)，圖像某像素的LBPP,R碼的計(jì)算過程為：將該像素點(diǎn)的值與其鄰域像素點(diǎn)的值進(jìn)行比較，若鄰域像素點(diǎn)的值大于中心點(diǎn)像素，則將該領(lǐng)域位置置1，反之置0，形成一個(gè)局部二進(jìn)制模式。將該模式以x正軸方向?yàn)槠瘘c(diǎn)，按逆時(shí)針方向讀取圓形采樣點(diǎn)，最終得到一個(gè)8位二進(jìn)制數(shù)序列，并將其轉(zhuǎn)換成十進(jìn)制數(shù)，即為L(zhǎng)BPP,R碼，例如(01111000)10=120。

當(dāng)一幅灰度圖像的大小為M×N時(shí)，該圖像所有像素的LBP算子出現(xiàn)的頻率直方圖記為H，H作為該圖像的LBP特征。

(3)

(4)

其中，0≤k

按照上述方法設(shè)定的LBP算子的應(yīng)用有些不足：P=8，R=1的鄰域范圍較小，對(duì)于大尺度的紋理結(jié)構(gòu)無法捕獲；該鄰域的采樣方式不宜于旋轉(zhuǎn)。之后，經(jīng)過不斷探索，研究人員對(duì)原始的LBP算法提出了多種優(yōu)化和改進(jìn)策略：

(1)LBP圓形算子：把圖像中的某個(gè)像素點(diǎn)作為中心點(diǎn)，取半徑為R，按照(Rcos(2πn/P),Rsin(2πn/P))方法進(jìn)行灰度插值，得到的圓形采樣點(diǎn)集作為該中心點(diǎn)的領(lǐng)域點(diǎn)，P為采樣點(diǎn)個(gè)數(shù)，這樣能滿足不同尺度和頻率采樣的需要。

(2)LBP旋轉(zhuǎn)不變模式(rotation invariant)：不采用這個(gè)特性，因?yàn)樾D(zhuǎn)不變性顯然會(huì)丟棄關(guān)于圖像方向的重要信息。

(3)LBP等價(jià)模式(uniform)：半徑為R，采樣點(diǎn)為P的圓形算子會(huì)產(chǎn)生2P種編碼。很明顯，LBP編碼的種類會(huì)隨著采樣點(diǎn)數(shù)的增多而急劇遞增，這使得LBP模式的統(tǒng)計(jì)直方圖過于稀疏。為解決這一問題，“等價(jià)模式”限制二進(jìn)制序列從0到1或從1到0的跳變次數(shù)不超過2，跳變次數(shù)計(jì)算公式如下：

U(LBPP,R)=|s(gP-1-gc)-s(g0-gc)|+

(5)

跳變次數(shù)小于等于2的各自為一類，跳變次數(shù)大于2的所有情況歸為一類。經(jīng)過優(yōu)化之后，LBP編碼的種類大大減少，由2P減少為2+P(P-1)，而且不會(huì)丟失任何信息。

針對(duì)圖像方向檢測(cè)的目標(biāo)以及計(jì)算成本，文中采用基于半徑為2，采樣點(diǎn)為16的“非旋轉(zhuǎn)不變等價(jià)”描述符LBP2,16作為特征，特征編碼種類為243。

2.2 “非旋轉(zhuǎn)不變等價(jià)”LBP特征提取

(1)顏色模式轉(zhuǎn)換：一幅彩色抽象畫圖像的大小為M×N，將彩色圖像(RGB模式)轉(zhuǎn)成灰度圖像。設(shè)原始圖像為G,采用平均值法，得到灰度圖像G_GRAY。

(6)

(2)LBP特征：設(shè)置半徑R為2，圓形采用點(diǎn)數(shù)P為16，對(duì)G_GRAY中的每一個(gè)像素求出對(duì)應(yīng)的“非旋轉(zhuǎn)不變等價(jià)”LBP2,16描述符。

(3)直方圖：采用(2)中的方法，統(tǒng)計(jì)灰度圖像G_GRAY中所有像素的LBP值，組成LBP頻率直方圖(橫坐標(biāo)為243種LBP編碼方式，縱坐標(biāo)為每個(gè)樣本出現(xiàn)的頻率)，然后對(duì)該直方圖進(jìn)行歸一化處理，最終得到243維特征向量。該向量作為下一步分類模型的輸入特征。

2.3 實(shí)驗(yàn)數(shù)據(jù)

此算法運(yùn)行的軟件環(huán)境為Anaconda3，編程語言為python。隨機(jī)選取500幅抽象畫作為實(shí)驗(yàn)數(shù)據(jù)集，選取400幅繪畫作為訓(xùn)練集，100幅作為測(cè)試集，按照1.1節(jié)中的方法旋轉(zhuǎn)，最終得到訓(xùn)練集1 600幅，測(cè)試集400幅，采用SVM分類器進(jìn)行方向自動(dòng)識(shí)別，運(yùn)用10倍交叉驗(yàn)證評(píng)估分類模型。對(duì)于大多數(shù)繪畫來說，其懸掛方向不會(huì)是斜的，因此將抽象畫分為正確(向上)和不正確(不向上)兩類。

2.4 結(jié)果分析

文中采用SVM算法將抽象畫分為“正確方向”和“不正確方向”兩類。由于數(shù)據(jù)集中的正負(fù)樣本數(shù)量不等，因此很多文獻(xiàn)會(huì)采用不同手段將正負(fù)樣本平衡表示。但是，文中傾向于保持?jǐn)?shù)據(jù)集的不平衡，因?yàn)檫@樣更能代表實(shí)際應(yīng)用中所發(fā)生的情況。

在使用LBP進(jìn)行繪畫圖像特征提取時(shí)，不同的鄰域半徑和采樣點(diǎn)個(gè)數(shù)會(huì)導(dǎo)致不同的特征描述，表4中顯示了不同半徑情況下的分類精度。結(jié)果顯示，半徑為1，采樣點(diǎn)為8時(shí)的分類準(zhǔn)確率為73.5%；當(dāng)鄰域半徑為2，鄰域像素為16,分類準(zhǔn)確率最高為76.75%；半徑為3，采樣點(diǎn)為24的準(zhǔn)確率與半徑為2是基本相同的，但是考慮計(jì)算成本，文中實(shí)驗(yàn)選取LBP2,16算子進(jìn)行方向特征的提取。

表4 不同鄰域半徑和鄰域像素?cái)?shù)的分類精度

在三種不同的顏色模式(灰度圖像，RGB，HSI)下，采用LBP2,16算子的LBP特征得到的分類準(zhǔn)確率，分別為76.75%，76.5%和76.75%，如表5所示。實(shí)驗(yàn)結(jié)果表明，采用不同的顏色模式，對(duì)提出的方向識(shí)別算法影響不大。

表5 不同顏色模式的分類精度

為了驗(yàn)證文中算法的有效性，在同一數(shù)據(jù)庫下，將所提方法與文獻(xiàn)[16]中的最新抽象繪畫方向識(shí)別方法進(jìn)行比較。實(shí)驗(yàn)結(jié)果顯示，文獻(xiàn)[16]的分類精度為74%，而所提算法精度高于文獻(xiàn)[16]，達(dá)到76.75%。

在實(shí)驗(yàn)結(jié)果中發(fā)現(xiàn)，內(nèi)容清晰的抽象畫的方向?qū)ρ劬头诸惸Ｐ投己苊黠@的，更容易被區(qū)分(見圖4第一行)。然而，還有一些內(nèi)容抽象或含蓄的抽象畫，它們的方向無論是眼睛還是模型都很難判斷(見圖4第二行)，這些也是下一步的研究重點(diǎn)。

圖4 抽象畫

3 結(jié)束語

設(shè)計(jì)了眼動(dòng)實(shí)驗(yàn)，通過審美偏好數(shù)據(jù)和眼動(dòng)數(shù)據(jù)對(duì)抽象繪畫的方向?qū)徝涝u(píng)價(jià)進(jìn)行綜合分析，用客觀的數(shù)據(jù)反映了人類的主觀審美偏好。實(shí)驗(yàn)證明，客觀的眼動(dòng)數(shù)據(jù)和主觀的審美偏好之間具有一致性，并且受試者對(duì)方向正確的繪畫有比較高的審美偏好，同時(shí)也為抽象畫的審美評(píng)價(jià)提供了一個(gè)新的研究視角。此外，采用了一種非旋轉(zhuǎn)不變等價(jià)LBP紋理描述算子和SVM分類器，實(shí)驗(yàn)結(jié)果表明，該方法得到了最好的分類效果。

然而從上述結(jié)果看出，由于抽象畫的內(nèi)容相對(duì)含蓄，因此分類準(zhǔn)確率不是特別高。在未來的研究中，可以從特征和分類器選取等方面進(jìn)行研究，進(jìn)一步提高抽象畫圖像方向的分類精度：僅僅提取了LBP描述符，今后可以實(shí)現(xiàn)與方向相關(guān)的多特征融合，例如顏色、布局和語義等；實(shí)驗(yàn)樣本數(shù)只有500，今后可以增加抽象畫樣本的數(shù)量，采用深度學(xué)習(xí)算法(例如，CNN等)實(shí)現(xiàn)更快速有效的方向識(shí)別。