[发明专利]基于多示例学习进行新闻图像中人脸标注的方法

摘要

本发明公开了基于多示例学习进行新闻图像中人脸标注的方法，将新闻图像分为多个图像子集，随后对新闻图像中候选人名及候选人名出现次数进行排序，进行正反包及正反示例后，利用Max‑ED方法和IMax‑ED方法进行人脸标注。本发明针对新闻人脸图像与多个人名的一对多关系(即人脸标注)的优化问题，本发明将ED和Iter‑ED视频人脸标注方法引入新闻图像人脸标注领域，并改进了正/反包分配方法，在降低虚假正包对标注影响的基础上，提出了基于改进Max‑ED和IMax‑ED的人脸标注新方法。

主权项

1.基于多示例学习进行新闻图像中人脸标注的方法，其特征在于，具体按照以下步骤实施：步骤1，将所有新闻图像编号，依据编号从小到大将图像均匀地分成数量相近的多个图像子集，随后采用人脸检测方法检测每个图像子集中的人脸图像，并提取人脸特征；步骤2，利用层次采样并行AP聚类算法并行地将步骤1所得人脸图像集分配到聚类中心；步骤3，找到步骤2聚类中心中每个人脸图像相应的新闻字幕，使用命名实体识别方法检测新闻字幕中的候选人名，手动合并同一个人的不同人名书写方式；步骤4，统计步骤3检测到的候选人名以及所有候选人名在整个新闻数据集上的出现次数，依照降序进行排序，随后对候选人名进行标记；标记的过程为：每一个人脸图像对应一个包，与人脸图像对应的人名列表为包中的示例，将出现次数最多的候选人名标记为Max‑name，如果包中包含Max‑name，则标注包为正包，Max‑name为正示例，其余人名皆为反示例，反之，标注包为反包，所有人名皆为反示例；步骤5，利用Max‑ED方法和IMax‑ED方法进行人脸标注；人脸标注的具体过程为：对于假设空间h＝(μ，σ)中的正包和反包，其中，μ是概念点的坐标，σ是不同特征的权重，采用不同的方法将包标签的概率转换为示例标签的概率：步骤5.1：依据公式(1)计算标记包为正包的概率：其中，P(+|B_i，h)是包B_i标为正包的概率，Z_i是归一化参数，λ_i＝n_i‑1(n_i是包B_i中的示例数目)，是正示例Max‑name标记为的概率，P(‑|B_ik，h)是其余示例B_ik为反示例的概率；同理，依据公式(2)计算标记包为反包的概率：其中，Z_i是归一化参数，P(‑|B_i，h)是包B_i标为反包的概率，P(‑|B_ij，h)是示例B_ij为反示例的概率；依据概率和为1的条件，则依据公式(3)计算Z_i：其中，Z_i是归一化参数，λ_i＝n_i‑1(n_i是包B_i中的示例数目)，是正示例Max‑name标记为的概率，P(‑|B_ik，h)是其余示例B_ik为反示例的概率，P(‑|B_ij，h)是示例B_ij为反示例的概率；P(+|B_ij，h)与每个示例和假设空间h的距离负相关，则计算公式如下：其中，P(+|B_ij，h)是示例B_ij为正示例的概率，P(‑|B_ij，h)是示例B_ij为反示例的概率，μ是概念点的坐标，σ是不同特征的权重；则根据Bayes理论，依据公式(5)计算假设空间h_ED：其中，h_ED是最优假设空间，P(l_i|B_i，h)是包B_i标签的概率，l_i是包B_i的标签，P(+|B_i，h)是包B_i为正包的概率，P(‑|B_i，h)是包B_i为反包的概率；步骤5.2：依据Max‑name原则，挑选每个正包中的正示例，并将这些正示例作为初始点，依据公式(6)通过梯度下降法求解最优的假设空间h_ED；步骤5.3：利用步骤5.2所得假设空间h_ED及公式(6)更新示例：其中，p(+|x_ik，h)指正包中示例x_ik的概率，y_ij是示例x_ik的标签；设置最大迭代参数，或者设置参数ε，θ＝h^t+1(μ，σ)‑h^t(μ，σ)，如果θ＞ε，t＝t+1，重复步骤5.1和5.2；反之θ＜ε，h_ED＝h^t+1(μ，σ)；上述条件循环，至最大迭代次数终止运算，得最优假设空间h_ED；步骤5.4：利用最优假设空间h_ED和公式(6)实现人脸标注。