[发明专利]一种适宜于视觉大数据的词频直方图计算方法

说明书

技术领域

本发明涉及一种适宜于视觉大数据的词频直方图计算方法，属于计算机视觉领 域。

背景技术

计算机视觉领域的词袋模型(BagofvisualWords,BoW)是一种有效的表示视觉 对象的方法，如。经典的词袋模型构建分为三步：第一步，提取特征点，利用特征提取算法， 从图像中提取视觉词汇向量，这些向量代表的是图像中局部不变的特征点；第二步，将所有 的视觉词汇向量集合在一起，利用K-Means聚类算法合并词义相近的视觉词汇，构造一个包 含K个视觉单词向量的视觉词典；第三步，统计视觉词典中每个视觉单词向量出现的次数， 从而将图像表示成为一个K维数值向量，即该图像的词频直方图。

伴随着互联网和社交网络的发展，视觉大数据越来越广泛，数据量的快速增长给 经典的视觉词袋模型带来了挑战。由于百万张规模以上图像的处理和分析需要借助于计算 机集群或云计算模式，而经典的视觉词袋模型仅适合于一台计算机。近年来Map-Reduce数 据处理方法已经广泛的应用于大数据分析与处理，并且已有适合于大数据平台的K-Means 聚类算法。通过分析词袋模型的三个步骤，将词袋模型应用于视觉大数据的一个关键问题 就是如何解决大数据平台下计算每个视觉对象的词频直方图。

发明内容

为了解决上述技术问题，本发明提供了一种适宜于视觉大数据的词频直方图计算 方法。

为了达到上述目的，本发明所采用的技术方案是：

一种适宜于视觉大数据的词频直方图计算方法，其特征在于：包括以下步骤，

步骤一，利用特征提取算法，从图像中提取视觉词汇向量，将所有视觉词汇向量集 合在一起形成源数据集D＝[D_1,D₂,...,D_m]，利用K-Means算法对视觉词汇向量进行聚类，生 成视觉词典C＝[C₁,C₂,...,C_K]；

其中，D_i为第i个视觉词汇向量，i∈[1,m]，m为视觉词汇向量的个数，dim(D_i)＝v， dim()表示维度，C_k为视觉词典中的第k个视觉单词向量，k∈[1,K]，K为视觉单词向量的个 数，dim(C_k)＝v；

步骤二，统计视觉词典中视觉单词向量的词频，完成词频直方图；

21)读取视觉词典和源数据集，将视觉词典分发到集群的每个Worker点，使每个 Worker点都有一份视觉词典的拷贝；将源数据集Map到每个Worker点，使每个Worker点都有 一份相互不同的源数据集分片；

22)在每个Worker上面分别计算D_i到C_k的欧式距离，并比较欧式距离的大小，得到 最小欧式距离的索引k；

23)对步22中的结果做一个Reduce，统计对应每个图像，C_k出现的次数，得到每个C_k的词频，从而得到对每张图像的词频直方图。

2、根据权利要求1所述的一种适宜于视觉大数据的词频直方图计算方法，其特征 在于：词频的计算公式为，

F_k＝T_k/K

其中，F_k为C_k的词频，T_k为C_k出现的次数。

本发明所达到的有益效果：本发明通过对经典BoW模型的分析和改进，提出一种适 宜于视觉大数据的词频直方图计算方法，采用Map-Reduce数据处理方法，对BoW模型进行可 并行化分析，将BoW模型适用于视觉大数据的分析与处理；该方法可用于计算大规模视觉数 据的词频直方图，从而将经典BoW模型应用于大规模视觉计算领域；该方法可和大规模机器 学习算法组合使用，应用于计算机视觉领域如：视频分类、行为识别和分类。

附图说明

图1为本发明的逻辑框图。

图2为具体实施例的流程图。

图3为计算视觉词汇向量所属视觉单词向量的逻辑框图。

图4为统计词频的逻辑框图。

图5为具体实施例的直方图表示。

具体实施方式