[发明专利]基于结构最优子空间学习的图像特征二值编码表示方法

说明书

本发明公开了基于结构最优子空间学习的图像特征二值编码表示方法，包括：步骤1，将原始数据进行预处理，计算得到新数据；步骤2，学习哈希函数的投影参数，投影参数w为本发明用于计算图像特征二值编码而定义的哈希函数形式的一个参数。此步骤采用松弛策略，将原始问题转换为先学习投影参数w，后学习偏移参数t，此步骤学习投影参数w；步骤3，学习哈希函数的偏移参数t。此步骤重新考虑取符号函数的影响，看作是对步骤2中放松限制的一种补偿。

技术领域

本发明属于图像特征编码领域，尤其涉及基于结构最优子空间学习的图像特征二值编码表示方法。

背景技术

针对大规模数据设计快速索引算法具有广泛的应用价值，例如目标识别、图像检索、图像匹配等。在构建高效的大规模数据检索系统时，存在两个最主要的瓶颈：数据的存储需求和检索效率。在图像检索的应用中，用户给定一个查询图像，需要从大规模数据库中检索出与其相似的图像，并根据相似度排名返回结果。针对这个应用场景，一种最基本的做法是：首先对查询图像和数据库图像分别提取特征。然后，根据一定的度量方式(例如欧氏距离)计算查询图像和每个数据库图像之间的距离。最后，根据距离大小对数据库图像进行排序，返回靠前的数据库图像作为检索结果。然而图像、视频等数据往往具有高维度的特征，如果不对原始数据进行压缩，则需要非常大的空间来存储，随着时间的推移，数据量以飞快的速度增长，这样的存储方式将越来越难以适应。同时，数据规模大必将对检索造成很大的不便。显然，在这种情况下，线性的检索方式已经不合适。

发明内容

发明目的：本发明为了解决现有技术中的问题，提出了一种基于结构最优子空间学习的图像特征二值编码表示方法，从而有效解决基于哈希二值编码的数据下，图像的快速准确检索问题。

通过本发明构建的基于结构最优子空间学习的图像特征二值编码表示方法，旨在利用机器学习与机器视觉的手段，针对传统的图像检索技术中出现的特征维度高、检索效率低等问题，考虑到同类数据的局部性和不同类数据的判别性，采用较为稀疏的编码方式，通过基于结构最优子空间学习的图像特征二值编码表示方法来达到提升图像检索性能和准确率的目的。

技术方案：本发明公开了基于结构最优子空间学习的图像特征二值编码表示方法，提出了一种有监督的判别式哈希函数学习方法来进行二值编码的自动化解决方案，具体包括以下步骤：

步骤1，数据预处理：将原始数据进行数据预处理；

步骤2，哈希函数投影参数学习(W步骤)：用于计算图像特征二值编码而定义的哈希函数形式有两个参数，投影参数w和偏移参数t，采用松弛策略，学习投影参数w；

步骤3，哈希函数偏移参数学习(T步骤)：学习偏移参数t，此步骤重新考虑取符号函数sign()的影响，看作是对W步骤中放松限制的一种补偿；根据学习得到哈希函数的投影参数和偏移参数，得到哈希函数的完整表达形式，计算得到原始数据经过哈希函数索引后的二值编码。

基于二值编码的特征表示和学习算法的目的，是给定一组包含N个样本的训练集其中x_i表示每个训练样本对应的d维特征向量，利用学习算法找到一组合适的哈希函数每个哈希函数对一个特征向量进行编码，将其映射成一位二进制数。然后，学习一组哈希函数组合G(x)＝[h₁(x),h₂(x),...,h_g(x)]，并用其对每个特征进行编码得到低维的二进制串，其中g＜＜d。编码和原始数据的相比维度较低，且其二进制的形式能够有效减少数据存储需求，实现大规模数据库高效的存储。

步骤1包括如下步骤：