[发明专利]一种基于云计算的手机图像标注方法

权利要求书

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l带标注的图像特征集其中，标注为和数量为u无标注的图像特征集

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)∈Rⁿ×{±1}分布为P，无标注样本的分布是P的边缘分布P_X；如果边缘分布P_X与条件分布P(y|x)相关，则P_X有助于学习；基于假设相似的图像对x_i和x_j意味着相似的条件分布对P(y|x_i)和P(y|x_j)；

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x_j，找到其最近的k个近邻样本，组成邻域N_p，从中取出x_j后对该邻域进行中心化，使x_j成为切向空间的原点；

步骤b、用p点的邻域N_p的相应的d个最大的特征值所对应的特征向量U来评价切向空间正交坐标系；该步骤通过在上进行特征值分解来实现，其中x_i是邻域N_p中的第i个样本；

步骤c、用施密特正交化去除矩阵H^j=[1,u₁…u_m,u₁u₁…u_du_d]中的d+1维零空间，得到矩阵其Frobenius范数由获得；

步骤d：对所以图像的进行累加，以获得海森正则化f^THf。

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：

f*=argminf∈HK1lΣi=1lL(xi,yi)+λK||f||K2+λH||f||H2]]>(1)

=argminf∈HK1lΣi=1l(1-yif(xi))++λK||f||K2+λH||f||H2,]]>

其中，L(x_i,y_i)为损失函数，即：(1-y_if(x_i))₊=max(0,1-y_if(x_i))，是f的再生核希尔伯特空间H_K的范数，λ_K作为参数控制f映射到空间Rⁿ中的复杂度，是包含边缘分布P_X的本征几何信息的海森正则化项，λ_H作为参数控制在P_X的紧支集上的f的复杂度。