[发明专利]多用户自然场景标记排序方法

说明书

技术领域

本发明涉及利用计算机对多用户自然场景标记排序的方法，属于图像处理技术领域。

背景技术

当前，互联网信息技术的发展和数码设备的普及带来了图像数据的爆炸性增长，大量数字图像的出现与传播给人们带来了方便，也丰富了人们的生活，但人们对图像的利用和选择能力并未随着图片数量的增加而提高，这就给用户的利用带来了新的挑战。因此，如何利用计算机来自动、快速、准确地将图像按照人们的意愿自动分类和排序成为目前的一个紧迫任务。

一幅自然场景图像往往可以被标注上多种概念标记，用户可以根据自己对图像的理解对这些标记进行相关性排序。目前，自然场景图像的标记排序问题主要存在两大缺陷；一、采用单用户标注的方法，即一幅图像只有一个标注结果，但是由于用户本身的主观因素，单个用户的标注结果可能不够准确。二、采用扩展特定的多标记学习算法的方法来解决标记排序问题，没有充分利用数据本身已存在的标记排序信息。

发明内容

本发明提供了一种多用户自然场景标记排序方法，解决了多用户标注的方法产生的不一致性；在充分利用训练数据已有的标记排序信息基础上，对自然场景图像实现自动化的标记排序。

本发明的技术方案为：一种多用户自然场景标记排序方法，包括如下步骤：

（1）获取用于训练的自然场景图像集，并对每幅自然场景图像提取特征向量；

（2）从基于用户兴趣度的图像标注系统中获取自然场景图像的多个标记排序；

（3）将多个标记排序转换成一个标记分布；

（4）从输入设备获取待标记排序的自然场景图像，提取特征向量；

（5）若识别机制未训练好，则执行步骤（6），否则转到步骤（7）；

（6）用步骤（1）到步骤（3）得到的自然场景图像特征向量及其标记排序信息作为训练集，采用LBFGS-LLD的算法训练，得到自然场景标记分布模型的最佳参数向量θ；

（7）将步骤（6）中得到的最佳参数向量θ和步骤（4）得到的待标记排序的自然场景图像的特征向量分别代入自然场景标记分布模型中，得到该待标记排序自然场景图像的标记分布。

（8）对步骤（7）得到的标记分布中描述度小于虚拟标记描述度的标记看作无关标记，而剩下的标记即为相关标记，最后对相关标记按照描述度大小进行排序。

其中，步骤（1）和步骤（4）提取特征向量的方法为：把彩色图像转换成CIELUV彩色空间，然后再进行分块的方法抽取自然场景的图像特征。

步骤（3）通过构建一个非线性优化问题，并利用内点法进行求解，将多个标记排序转换成一个标记分布。

所述非线性优化问题的具体构建方法为：对图像m来说，n位用户的标记排序分别用L₁,L₂...L_n表示，假设各个用户分别依据标记分布P₁,P₂...P_n来对标记进行排序，而综合了所有用户意见的标记分布用Q表示，模型以最小KL距离为目标函数，即使得Q与P₁,P₂...P_n之间的差异最小，同时还应满足一些约束式，即对于分布P₁,P₂...P_n来说，在标记排序中，排在前面的标记的描述度应当大于排在后面的标记的描述度；对于一个标记分布来说，其所有可能的标记的描述度之和应为1。

步骤（5）判断标记分布是否训练好的判断依据为模型预测的标记分布与真实的标记分布之间的平均KL距离是否足够小。

相关定义：（a）示例：一幅自然场景图像。（b）标记分布：给定示例x，所有可能的标记能够完整描述x,每个标记描述x的程度用一个实数来表示，称为描述度。所有标记的描述度组成的一个分布便称为标记分布。（c）描述度：在示例x的标记分布中，标记y对应一个实数P_x(y)∈[0,1]，表示标记y描述x的程度，一个示例对应的所有标记的描述度之和为1。（d）基于用户兴趣度的图像标注系统：用户根据自己的兴趣为每幅自然场景图像的相关标记排序，然后系统自动把标记排序的结果存入数据库。（e）KL距离：又称Kullback-Leibler散度，是度量两个分布相似度的一种指标。

有益效果：