[发明专利]一种图像识别方法及系统

说明书

技术领域

本发明涉及图像识别技术领域，特别是涉及一种图像识别方法及系统。

背景技术

目前，随着互联网的快速发展，网络数据越来越庞大，尤其图像数据呈几何倍增长。因此，如何合理而有效的利用这些数据成为了我们的思考。同时，随着机器学习的极大发展，在线图像识别，例如手写数字，人脸识别等，也得到了广泛的应用。

一方面，在应用的过程中，由于手写设备的局限，拍摄设备的误差，数据的环境和传输过程等不确定因素的影响，获得的图像经常会包含噪声数据，数据的有效性有所欠缺，基于多示例的支持向量机无法进行有效的学习和表达，从而降低了图像的识别精度，严重影响到图像识别的广泛应用；另一方面，由于图像识别应用中，由于获取的图像数据不充足，而这些图像又比较相似而有潜在的联系时，基于单任务多示例的支持向量机无法更加深入了利用图像之间的联系，从而影响识别的效率，降低了图像识别精度使得图像的识别的准确率不高。

发明内容

有鉴于此，本发明的目的在于提供一种图像识别方法及系统，可以降低图像识别中噪声对分类结果的影响，并且提高分类精度和识别准确率。其具体方案如下：

一种图像识别方法，包括：

获取图像信息，提取所述图像的特征数据；

对所述特征数据进行标记，转换成多示例的表示形式；

通过多示例加权包进行机器学习，并进行多任务学习环境的扩展；

训练得到多示例多任务图像识别分类器，对所述图像进行识别分类。

优选地，在本发明实施例提供的上述图像识别方法中，通过多示例加权包进行机器学习，具体包括：

对所述包示例中的噪声数据进行处理，赋予所述包示例不同的权值，利用迭代的训练分类器，训练示例权值，改进包表示。

优选地，在本发明实施例提供的上述图像识别方法中，进行多任务学习环境的扩展，具体包括：

利用多任务中的人物中共享图像的信息，确定所述图像之间的关联性。

优选地，在本发明实施例提供的上述图像识别方法中，对所述特征数据进行标记，转换成多示例的表示形式，具体包括：

将所述特征数据转换为矩阵数据；

假设存在T个分类任务，则第t个分类任务的数据集表示为D_t，包含|N_t|个负多示例包和|P_t|个正多示例包，此时

D_t＝N_t∪P_t；

其中，N_t表示第t个分类任务的负示例包；P_t表示第t个分类任务的正示例包；B_it表示负多示例包，由m个示例组成；B_jt表示正多示例包，由m个示例组成；

N_t对应的标签集为Y_it∈{-1，+1}表示第t个分类任务中的负多示例包B_it所关联的标签；P_t对应的标签集为Y_jt∈{-1，+1}表示为第t个分类任务中的正多示例包B_jt所关联的标签。

优选地，在本发明实施例提供的上述图像识别方法中，下述公式为加权的公式：

y_it^Z＝-1；

y_jt^Z＝+1；

其中，表示第k次负多示例包迭代的权值；表示第k次正多示例包迭代的权值；表示负多示例包迭代的初始化权值；表示正多示例包迭代的初始化权值；y_it^Z表示负示例包中所有示例标签；y_jtZ表示负示例包中所有示例标签。

优选地，在本发明实施例提供的上述图像识别方法中，利用多任务中的人物中共享图像的信息，确定所述图像之间的关联性，具体包括：

构建第t个分类任务中正多示例包和负多示例包所关联的拉格朗日乘子列向量：