[发明专利]基于多标签投影在线哈希算法的图像检索方法

权利要求书

1.一种基于多标签投影在线哈希算法的图像检索方法，其特征在于，该图像检索方法包括以下步骤：

S1：首先获取图像数据及其对应的标签向量；

S2：对图像数据进行预处理：初始化各个参数，并将图像数据划分为多个数据块作为流数据；

S3：构造查询池：通过对每个阶段的流数据进行随机采样获得新的中心点，并将中心点的集合作为查询池；

S4：针对单标签和多标签图像数据不同情况构造相似度矩阵；

S5：考虑相似度矩阵和标签向量作为目标函数；

S6：根据目标函数对哈希函数进行更新；

S7：利用更新后的哈希函数对查询池进行更新，通过邻居保持算法来保持查询池数据的最近邻居；

S8：返回S3步骤，直到所有数据块训练完成，输出检索结果，最终完成图像数据检索。

2.如权利要求1所述的图像检索方法，其特征在于，所述S3中：在第一个批次中随机选择几个点作为中心点X_C，在后面的数据批次中使用蓄水池采样法进行随机采样替换原先查询池中的部分数据。

3.如权利要求1所述的图像检索方法，其特征在于，所述S4中：根据数据携带标签数不同分为单标签数据和多标签数据；对于多标签数据，设计一个相似度矩阵构建算法，先通过标签向量l构造两个实例x_i和x_j间的相似性s⁺和s^-，计算如下：

其中，l表示实例标签向量，由0和1组成，||表示实例所含的标签数量；

在上述式子(1)的基础上，取他们的平均值来定义两个实例之间的相似性，如下所示：

4.如权利要求1所述的图像检索方法，其特征在于，所述S5中：

S5-1：首先要最小化相似度矩阵和哈希码内积之间的误差，同时对新的流数据添加量化误差，目标函数如下：

其中和分别表示新数据和累积的旧数据的哈希码，k是哈希码的长度，S^t表示新数据和旧数据之间的相似度矩阵，W^t是第t阶段的哈希函数投影矩阵，表示新数据流的特征矩阵；

S5-2：对于标签向量，构造了一个标签投影损失来充分利用标签；具体地，流数据和现有数据的标签都被投影以接近它们相应的散列码，其被公式化为：

其中P^t表示表示将标签映射到散列码的投影矩阵，和分别表示新数据和旧数据的标签向量组成的矩阵；

S5-3：为了避免过拟合，为目标函数添加了正则项，并设置了目标函数的五个权重来权衡各个学习部分；总体目标函数如下：

5.如权利要求1所述的图像检索方法，其特征在于，所述S6中：使用上述公式(5)对哈希函数进行更新，计算过程如下：

其中I_d是一个d×d的单位矩阵，d是数据的维数；

其中I_c是一个c×c的单位矩阵，c是标签类别总数；

其中

由于是很难直接优化的，所以我们逐个优化每个哈希位如下所示：

其中和分别表示要更新和固定的哈希位，这也适用于其他参数和变量；需要学习参数W^t,P^t,

6.如权利要求1所述的图像检索方法，其特征在于，所述S7中：根据最新的哈希函数对查询池数据及其潜在近邻进行映射得到哈希码和并对中心点的潜在邻居使用邻居保持算法进行更新，这样，潜在邻居可以随着流数据的增加而动态更新；为第i个中心点的潜在邻居；所述邻居保持算法如下：

首先构造一个函数：

SH(A,B,α)＝sort(Hamm(A,B),α) (10)

其中，A,B表示两个哈希矩阵，Hamm(A,B)表示两个哈希矩阵之间的汉明距离矩阵，sort(Hamm(A,B),α)表示返回B中具有最小值的前α个邻居的索引；最后，第i个中心点的潜在邻居更新如下：