[发明专利]一种基于双图正则化约束和字典学习的图像自动标注方法

权利要求书

1.一种基于双图正则化约束和字典学习的图像自动标注方法，其特征在于，包括以下步骤：

S1、构建图像测试集和训练集，根据图像训练集和测试集提取图像特征，得到图像特征集X；

S2、采用汉明损失和高斯核函数计算图像间相似度权重W_i，j，得到特征空间正则化图L_C；

S3、构建初始稀疏字典D₀根据初始稀疏字典D₀对图像特征集X进行稀疏重构得到初始稀疏编码A；

S4、采用凸优化工具获得字典原子图L_D；基于特征空间正则化图L_C约束、字典原子图L_D约束及稀疏编码A，采用交替更新并自适应扩大编码权重得到最优稀疏字典D和分类器W，具体过程为：

S4.1、初始化字典D⁽⁰⁾及分类器W⁽⁰⁾，得到联合字典并通过联合字典对特征和标签进行稀疏重构，得到稀疏编码

S4.2、根据稀疏限制T₀和测试集样本数量M₁得到字典原子使用数量阈值并统计各个字典原子的使用数量C^D，根据字典原子使用数量阈值及字典原子使用数量C^D对字典原子编码权重d_i进行更新；

S4.3、获得当前更新字典原子项d_j，并依次更新字典原子项d_j和稀疏编码，直到收敛；

S4.4、根据步骤S4.2对字典原子编码权重d_i进行更新，得到最终的联合字典即为最优的稀疏字典D和分类器W；

S5、根据最优稀疏字典D进行特征重构，自适应扩大分类权重并利用分类器W进行标签概率预测，根据标签预测概率进行图像的自动标注。

2.根据权利要求1所述的基于双图正则化约束和字典学习的图像自动标注方法，其特征在于，所述测试集和所述训练集分别包含若干个特征向量x_i，每个特征向量x_i包含若干个连续特征和离散特征。

3.根据权利要求1所述的基于双图正则化约束和字典学习的图像自动标注方法，其特征在于，所述步骤S2的具体过程为：

S2.1、根据汉明损失计算图像离散特征间相似度的权重

S2.2、根据高斯核函数计算图像连续特征间相似度的权重

S2.3、根据图像离散特征间相似度的权重和图像连续特征间相似度的权重计算图像间的相似度的权重W_i，j；

S2.4、根据图像间的相似度的权重W_i，j得到数据空间正则化图L_C。

4.根据权利要求1所述的基于双图正则化约束和字典学习的图像自动标注方法，其特征在于，所述步骤S3的具体过程为：

S3.1、获得初始化的稀疏编码A⁽⁰⁾，并设置误差变量Z⁽⁰⁾及缩放变量U⁽⁰⁾；

S3.2、对稀疏编码A⁽⁰⁾、误差变量Z⁽⁰⁾及缩放变量U⁽⁰⁾进行迭代更新，直到收敛；

S3.3对误差变量Z^(k)及误差变量约束Ω_j进行更新，根据最终的误差变量Z^(k)得到稀疏编码A。

5.根据权利要求1所述的基于双图正则化约束和字典学习的图像自动标注方法，其特征在于，所述对字典原子编码权重d_i进行更新的过程为：判断字典原子使用数量C^D是否大于字典原子使用数量阈值若字典原子使用数量C^D大于字典原子使用数量阈值则将字典原子编码权重d_i进行更新；若字典原子使用数量C^D小于字典原子使用数量阈值则保留原字典原子编码权重d_i。

6.根据权利要求1所述的基于双图正则化约束和字典学习的图像自动标注方法，其特征在于，所述步骤S5的具体过程为：

S5.1、采用最优稀疏字典D对测试集进行稀疏重构，得到稀疏编码

S5.2、根据稀疏限制T₀和训练集数量M₁得到字典原子使用数量阈值并统计各个字典原子的使用数量C^K，根据字典原子使用数量阈值及各个字典原子的使用数量C^K对测试特征的分类权重A_test[k,i]进行更新；

S5.3、采用稀疏编码A_test和分类器W得到预测概率向量

S5.4、计算训练集中属于某个标签的图像的标签集的平均长度根据标签集的平均长度计算测试集的标签集的预测长度length(y′i)；

S5.5、根据预测概率向量和预测长度length(y′i)，得到图像预测标签集合，完成图像的自动标注。