一种基于云计算的手机图像标注方法
【专利摘要】本发明公开了一种基于云计算的手机图像标注方法，该方法中的云端实现的所述训练海森正则化支持向量机的训练步骤如下：步骤1、假设有标注样本(x,y)∈Rn×{±1}分布为P，无标注样本的分布是P的边缘分布PX；如果边缘分布PX与条件分布P(y|x)相关，则PX有助于学习；基于假设相似的图像对xi和xj意味着相似的条件分布对P(y|xi)和P(y|xj)；步骤2、利用海森正则化构造局部几何信息；步骤3、构造二分类的海森正则化支持向量机目标函数。该方案将压缩后的手机图像传输到云上，然后在云上通过海森正则化支持向量机实现图像的语义标注。利用本发明的提出的海森正则化支持向量机，可以减少模型训练对人工标注样本的依赖，具有提高了图像标注的准确度等优点。
【专利说明】一种基于云计算的手机图像标注方法
【技术领域】
[0001]本发明涉及一种模式识别与人工智能【技术领域】中的图像标注方法，特别涉及一种基于云计算的手机图像标注方法。
【背景技术】
[0002]带有数字摄像头的智能手机越来越流行，很容易产生大量的个人数字图像。虽然，在智能手机中流行利用时间和目录对图像进行管理，但是这使得在语义层面进行有效图片搜索非常不方便。因此，基于语义关键词进行图像标注的系统有利于个人照片管理。图像标注的目标是对每张图片分配几个关键词。这个是在图像处理、计算机视觉以及多媒体领域中的一个基础的研究问题。一般来说，它通过以下几个步骤来实现:对于给定一个训练集，我们首先提取能代表这些图像的视觉特征；然后，基于这些图像的一系列模型被训练出来用于后面的标注，每个模型对应于相应的特定关键词(或者概念)。然而，目前直接在手机上进行图像的自动标注存在以下问题:1)带标签的样本能有效改善图像标注模型的性能。然而，想要获得大量的带标注样本是很难的。2)移动终端计算资源非常有限，不可能对一个新获得的图像进行实时标注。除此以外，因为移动终端的小储存量，用户并不能获得大量的图像来构造一个可靠的学习模型。因此，寻找另外一个可行的方法来进行移动终端上的图像标注是非常必要的。
【发明内容】
[0003]本发明的目的在于克服现有技术的缺点与不足，提供一种基于云计算的手机图像标注方法，该方法解决了手机进行图像自动标注的以下两个关键问题:1)模型训练中需要大量人工标注样本，而人工标注样本存在费时费力的情况；2)手机计算和存储资源非常有限。
[0004]本发明的目的通过下述技术方案实现:一种基于云计算的手机图像标注方法，具体实现方式:
[0005]I)在云端存储数量为I带标注的图像特征集I 二 {(Χ,.，又》“，其中标注为
Yi e {+1，-1}，和数量为U无标注的图像特征集t/二2)在云端训练海森正则化支
持向量机；3)利用压缩感知技术对移动图像进行压缩，并将压缩后的图像传输到云上；4)在云上利用压缩感知技术对压缩的图像进行解码；5)通过训练出来的海森正则化支持向量机进行图像标注；6)将标注的结果返回到移动终端设备。
[0006]所述基于云计算的手机图像标注方法中海森正则化支持向量机算法具体实现:
[0007]I)假设有标注样本(χ, y) e RnX {±1}分布为P，无标注样本的分布是P的边缘分布Px。如果边缘分布Px与条件分布P (y |X)相关，则Px会有助于学习。这里基于假设相似的图像对Xi和χ」意味着相似的条件分布对P (y I Xi)和P (y I Xj)。[0008]2)利用海森正则化构造局部几何信息具体步骤如下:
[0009]步骤a:对应第j个无标注样本找到其最近的k个近邻样本，组成邻域Np，从中取出\后对该邻域进行中心化。此举将使得\成为切向空间& 的原点。
[0010]步骤b:用P点的邻域Np的相应的d个最大的特征值所对应的特征向量U来评价
切向空间7；.(M)正交坐标系。该步骤可以通过在Xj =[x(._Xy]=上进行特征值分解来实现，其中Xi是邻域Np中的第i个样本。
[0011]步骤C:用施密特正交化去除矩阵HMl, iv“um, U1U1…UdUd]中的d+Ι维零空间,得到矩阵免其Frobenius范数可以由[Rj )? Hj获得。
[0012]步骤d:对所以图像的/7进行累加，然后获得海森正则化fTHf。
【权利要求】
1.一种基于云计算的手机图像标注方法，包括以下步骤: 1)在云端存储数量为I带标注的图像特征集Z=，其中，标注为3；.e {+1-1}和数量为u无标注的图像特征集t/ = {xy}^/+1; 2)在云端训练海森正则化支持向量机； 3)利用压缩感知技术对移动图像进行压缩，并将压缩后的图像传输到云上； 4)在云上利用压缩感知技术对压缩的图像进行解码； 5)通过训练出来的海森正则化支持向量机进行图像标注； 6)将标注的结果返回到移动终端设备； 其特征在于，所述步骤2)中，云端实现的所述训练海森正则化支持向量机的训练步骤如下: 步骤1、假设有标注样本(x，y) e RnX {±1}分布为P，无标注样本的分布是P的边缘分布Px;如果边缘分布Px与条件分布P(y |χ)相关，则Px有助于学习；基于假设相似的图像对Xi和χ」意味着相似的条件分布对P (y I Xi)和P (y I Xj)； 步骤2、利用海森正则化构造局部几何信息； 步骤3、构造二分类的海森正则化支持向量机目标函数。
2.根据权利要求1所述的基于云计算的手机图像标注方法，其特征在于，所述步骤2包括如下步骤: 步骤a、对应第j个无标注样本找到其最近的k个近邻样本，组成邻域Np，从中取出Xj后对该邻域进行中心化，使\成为切向空间& (M)的原点； 步骤b、用P点的邻域Np的相应的d个最大的特征值所对应的特征向量U来评价切向空间(M)正交坐标系；该步骤通过在=[6 二上进行特征值分解来实现，其中Xi是邻域Np中的第i个样本； 步骤C、用施密特正交化去除矩阵ff=[l, iv“um, U1IVUdUd]中的d+1维零空间,得到矩阵方7，其Frobenius范数El丨)H'1获得； 步骤d:对所以图像的(/77, /77进行累加，以获得海森正则化fTHf。
3.根据权利要求1所述的基于云计算的手机图像标注方法，其特征在于，所述步骤3中，所述二分类的海森正则化支持向量机目标函数为:
【文档编号】H04M1/725GK103489003SQ201310455285
【公开日】2014年1月1日 申请日期:2013年9月29日 优先权日:2013年9月29日
【发明者】金连文, 陶大鹏, 黎小凤 申请人:华南理工大学