[发明专利]基于非参数贝叶斯模型的监督跨模态哈希检索方法

说明书

本发明提出了一种基于非参数贝叶斯模型的监督跨模态哈希检索方法，用于解决现有跨模态哈希检索方法中存在的检索精度低的技术问题。实现步骤为：获取归一化训练数据和测试数据；对归一化训练数据进行分类；获取归一化训练数据的三个训练数据参数；获取归一化图像训练数据和归一化文本训练数据同属于每一类的概率；获取训练数据后验概率；获取归一化图像训练数据和归一化文本训练数据的统一哈希编码；获取测试数据哈希编码；计算测试数据哈希编码与归一化图像训练数据和归一化文本训练数据统一哈希编码的汉明距离矩阵；获取测试数据的检索结果。本发明的检索精度高，可用于移动终端设备以及物联网的图像与文本互搜索服务。

技术领域

本发明属于计算机视觉和模式识别领域，涉及图像与文本的互检索，具体涉及一种基于非参数贝叶斯模型的监督跨模态哈希检索方法，可用于移动终端设备以及物联网的图像与文本互搜索服务。

背景技术

近年来，随着社会经济的迅速发展和科学技术的不断进步，多媒体数据已经成为互联网上的主要信息载体。这些数据呈现爆炸式增长，现阶段，大数据改变着人们的工作和生活，同时也对学术界的科学研究产生了很大的影响。如何利用这些大数据，如何对其进行高效率的存储和管理，便成为我们最为关注的问题。基于哈希的最近邻搜索是解决大规模多媒体数据存储和管理有效的技术手段。现有的哈希方法研究方向大致划分为三类：单模态哈希方法、多视图哈希方法和跨模态哈希方法。基于哈希算法的单一模态数据检索方法在图像检索领域已经得到了较为充分地研究。而多视图哈希方法在特定情况下可以转换成单模态或者跨模态哈希问题，所以，对多视图哈希方法的研究比较少。为了促进大规模相似性搜索的发展，近年来一些跨模态哈希检索方法被提出。跨模态哈希方法可以分为无监督方法和有监督方法，无监督方法主要通过挖掘和保持多模态数据的潜在相关性来获得哈希编码，而有监督跨模态哈希方法旨在利用训练数据类标信息的语义相似性，来提高哈希检索的检索精度。现实生活中，多媒体数据量大、维度较高并且不同模态之间具有语义关联性，所以如何得到高检索精度的监督哈希算法，实现跨模态数据之间的检索，是我们现阶段急需解决的问题。现阶段，研究人员已经提出部分监督跨模态哈希检索方法。

例如Bronstein M，Bronstein A和Michel F等人在2010年的Computer Visionand Pattern Recognition会议，发表了名为“Data Fusion through Cross-ModalityMetric Learning using Similarity Sensitive Hashing”的文章，提出了一种监督的跨模态相似性敏感哈希方法。这一方法通过产生一些正负样本对，然后将每一位哈希编码的学习过程表示为一个二元分类问题，最后利用Boosting的方式进行求解。但这一方法只保持了模态间的相似性，没有考虑模态内的相似性，检索精度有待提高。

综上，现阶段存在的监督跨模态哈希检索方法利用数据类标信息不全面，对数据的描述不准确，从而影响跨模态检索精度。

发明内容

本发明的目的在于针对上述已有技术的不足，提出了一种基于非参数贝叶斯模型的监督跨模态哈希检索方法，用于解决现有监督跨模态哈希检索方法中存在的检索精度低的技术问题。

为实现上述目的，本发明采取的技术方案包括有如下步骤：

(1)获取原始训练数据，并对原始训练数据进行归一化，得到归一化训练数据X^(t)，其中，t表示归一化训练数据的类型，且t∈{1,2}，X⁽¹⁾表示归一化图像训练数据，X⁽²⁾表示归一化文本训练数据；

(2)获取原始测试数据，并对原始测试数据进行归一化，得到归一化测试数据Y^(t)，其中，t表示归一化测试数据的类型，且t∈{1,2}，Y⁽¹⁾表示归一化图像测试数据，Y⁽²⁾表示归一化文本测试数据；