[发明专利]基于低秩稀疏表征和关系推断的图像可记忆度预测方法

权利要求书

1.一种基于低秩稀疏表征和关系推断的图像可记忆度预测方法，其特征在于，所述方法包括以下步骤：

在MIT数据库上将提取的第一图片特征随机划分为两组，一组作为训练集特征；另一组作为测试集特征；

在LaMem数据库上将提取的第二图片特征随机划分为六组，每组选预设张数的图片特征作为训练集特征，另一预设张数的图片特征作为测试集特征；

将上述数据库上提取的训练集特征、训练集图片对应的标签、以及参数值作为目标函数的输入，经过多次迭代，分别得到适用于MIT数据库、及LaMem数据库的映射矩阵和相关系数矩阵；

分别将MIT数据库、及LaMem数据库上测试集的特征矩阵、与对应的映射矩阵和相关系数矩阵三者进行乘法运算，分别得到最终的图像可记忆度预测分数；

所述目标函数具体为：

s.t.X＝PX+E

引入三个变量，J、F和Z，目标函数转化为下式：

s.t.X＝PX+E,PX＝J,PX＝F,Θ＝Z

其中，α用于权衡低秩和稀疏所起作用的比重，λ用于调整稀疏误差部分的稀疏程度，X∈R^D×N代表数据库中图片的特征矩阵，D是特征维度，N是数据库中图片的数量，R^D×N代表维度是D×N的实矩阵的集合，P∈R^D×D是一个映射矩阵，E∈R^D×N代表稀疏误差，||·||_*表示矩阵的核范数，||·||₁表示l1范数，w∈R^N×1是回归相关系数，β、γ是平衡参数，I_Z±0(Z)代表矩阵Z中的元素都是非负的，ρ用于调整l1范数的约束程度，Θ代表图片之间关系的逆协方差矩阵，C为核矩阵；

所述经过多次迭代具体为：

引入拉格朗日乘子Y₁，Y₂，Y₃和Y₄，分别对映射矩阵P、低秩矩阵J和F、稀疏误差E、回归相关系数w、逆协方差矩阵Θ和辅助矩阵Z进行迭代优化；

所述第一图片特征包括：底层特征、场景标记、物体标记和属性标记特征；

所述底层特征包括：空间包络、方向梯度直方图、结构相似性测度、以及尺度不变特征变换；所述第二图片特征为深度特征。

2.根据权利要求1所述的一种基于低秩稀疏表征和关系推断的图像可记忆度预测方法，其特征在于，所述方法还包括：

将图像可记忆度预测分数与测试集的真实分数进行相关性计算，可得到斯皮尔曼等级相关系数值与皮尔逊相关系数值。