[发明专利]基于半监督关系主题模型的弱标签社交图像识别方法

说明书

技术领域

本发明属于图像处理技术领域，更进一步涉及一种社交图像识别方法，可用于对互联网中社交图像识别。

背景技术

主题模型起初提出来是用于文档感知，近些年，随着人们的深入研究，主题模型在图像感知以及图像识别领域也得到了成功的应用。

L.Fei-FeiandP.Perona在文章“Abayesianhierarchicalmodelforlearningnaturalscenecategories”(CVPR,2005)中通过利用聚类方法对图像的视觉特征进行聚类，得到的每一个聚类中心即为图像集的视觉单词，其中，图像对应为主题模型中的文档，视觉单词对应为主题模型中的词，然后，将隐狄利克雷方法引入到图像识别领域，提出了一种基于隐狄利克雷方法的图像场景识别方法。

A.Bosch,A.Zisserman,andX.Munoz在文章“Sceneclassificationviaplsa”(ECCV,2006)中参照L.Fei-FeiandP.Perona(CVPR,2005)的方法，将概率潜在语义分析方法引入到图像识别领域，提出了一种基于概率潜在语义分析的图像场景识别方法。

Z.Niu,G.Hua,X.Gao,andQ.Tian在文章“Context-awaretopicmodelforscenerecognition”(CVPR,2012)中通过结合图像的上下文信息，对隐狄利克雷方法进行改进，提出了一种基于情境感知主题模型的图像场景识别方法。

上述三种方法的不足之处都是没有考虑图像间的关系，从而导致图像场景识别的准确率不高。

发明内容

本发明的目的在于这对上述现有技术的不足，提出一种基于半监督关系主题模型的弱标签社交图像识别方法，以提高图像识别的准确率。

实现本发明目的的技术思路是，根据图像标签构建图像关系无向图；无向图建立半监督关系主题模型，根据半监督关系主题模型完成对图像的识别。

根据上述思路。本发明技术步骤包括如下：

(1)输入带用户标签的图像集，提取图像集每幅图像的特征，以图像集中每个图像的特征为顶点，图像间的标签关系为边的权重，构建图像间关系无向图。

(2)根据图像间关系无向图，建立半监督关系主题模型：

(2a)对图像在主题上的概率分布随机采样，得到图像主题的采样样本；

(2b)根据图像主题的采样样本，估计图像主题的视觉单词分布参数；

(2c)对图像主题的采样样本求均值，结合图像间的权重关系，估计图像间主题相似度；

(2d)根据图像主题的视觉单词分布参数以及图像间的相似度，得出半监督关系主题公式：

其中w表示视觉单词向量，l表示图像间关系，y表示图像类别，θ表示图像主题概率分布矩阵，φ表示视觉单词分布参数，z表示主题，α,β表示狄利克雷参数，η表示类别标记的分布，D表示图像集，d,d'表示图像集中的两幅不同图像，θ_d表示图像d的主题概率分布，N_d表示图像d中视觉单词个数，n表示视觉单词的序号，z_dn表示图像d中第n个视觉单词的主题，w_dn表示图像d中第n个视觉单词，φ_zdn表示主题z_dn的概率分布，J表示主题向量，k表示主题的序号，φ_k表示主题k的概率分布，y_d表示图像d的类别，z_d,z_d'分别表示图像集中两幅不同图像d,d'的主题均值，l_d,d'表示图像集中两幅不同图像d,d'的权重关系。

(3)根据半监督关系主题模型，预测图像的类别，完成图像的识别。

附图说明

图1为本发明的实现流程图；

图2为半监督关系主题模型图。

具体实施方式

下面结合附图1，对本发明实现的步骤作进一步的详细描述。

步骤1，输入带用户标签的图像集，根据图像标签构建图像关系无向图。

本发明采用NUS-WIDE图像集和MIRFLICKR-25k图像集，其中，NUS-WIDE包含269648幅图像，共1000个不同的用户标签，人工标定了81个类别；MIRFLICKR-25k包含25000幅图像，共1386个不同的用户标签，人工标定了23个类别。根据这些图像标签构建图像关系无向图的步骤如下：