[发明专利]主动学习自动图像标注系统及方法

说明书

本发明提供了一种主动学习自动图像标注方法及系统，该方法包括：步骤S1：提供输入图像；步骤S2：提取输入图像的视觉特征并获得分类属性；步骤S3：利用视觉特征在通用图像数据库中查找相似图像，并从通用描述数据库中获得内部属性；步骤S4：在S2步骤的同时，在互联网中搜索输入图像的相似图像；步骤S5：提取相似图像的视觉特征；步骤S6：将在步骤S5获得的相似图像的视觉特征与输入图像进行比较；步骤S7：如果比较出的相似度高于预订阈值，则在互联网中获得外部属性；以及步骤S8：集成分类属性、内部属性和外部属性，以获取输入图像上的最终标注。本发明节省了更新数据库的时间和工作，也保证了数据库的最新信息。

技术领域

本发明涉及图像标注领域。更具体地，本发明涉及一种主动学习自动图像标注系统及方法。

背景技术

当前，图像上标注的标签通常是人工输入的。这种方式成本高昂并且极度消耗时间，尤其在面对大的且持续增长的图像数据库的情况下。

专利文献US7529732B2提供了一种语义和特征的相关性反馈的图像检索系统和方法，该技术大体上属于由人工来提供相关反馈。在该专利文献中，图像检索系统执行基于关键词和基于内容的图像检索，监控用户反馈，并且用其来提炼任何搜索工作和训练它自己以便于未来的搜索查询。

另外，专利文献US7627556B2也提供了一种由人工来提供图像上的相关标注的技术。具体地，该文献公开了一种多媒体对象的半自动标注。在该专利文献中，基于用户对基于关键词和基于内容的搜索所检索到的对象相关性的反馈，系统用语义上相关的关键词自动地标注对象和/或更新关键词和对象之间的关联性。随着检索-反馈-标注循环的重复，标注覆盖范围和未来搜索的精度持续提高。

如上所述，以上两篇专利文献中的系统和方法都仅被动地依赖于人为提供的信息，它们均存在未从因特网检索最新数据和图像来进行主动学习和更新的缺陷。

针对以上缺陷，现有图像处理技术中也出现了一些自动标注系统，其使用不同的统计方法来关联图像和文本，并且比较图像以获得相似图像。这些自动标注技术可参见于以下专利文献：

美国专利文献US8204842公开了一种使用概率性语义模型的图像标注和多模式图像检索的系统和方法，其包括至少一个联合概率分布。在该专利文献中，基于发现的隐藏的概念层和对应的条件概率，使用贝叶斯框架进行图像标注和文本-图像检索。

美国专利文献US7274822B2公开了用于照片管理的面部标注，其中，对于面部特征与训练数据库中的面部特征相似的面部，可以通过将面部特征映射到对应的个体姓名来训练该概率模型，然后概率模型可以对该面部标注姓名。

专利文献WO2009152390A2公开了使用语义距离学习的自动图像标注，其中，为图像的每个聚类估算关联概率，该关联概率指定新图像在语义上与聚类相关联的概率。从每个聚类中的图像的手动标注生成对新图像的聚类专用概率性标注。使用对应于所有聚类的关联概率和聚类专用概率性标注来生成对新图像的最终标注。

美国专利文献US8594468B2公开了一种大规模图像标注的统计方法。该标注技术编译来自多个图像的视觉特征和文本信息、对图像视觉特征进行散列、并且基于其散列值对图像聚类。该专利文献通过应用统计语言模型来标注图像，而该语言统计模型从聚类的图像构建出。

中国专利文献CN103473275A公开了一种采用多特征融合的图像自动标注方法和系统。该标注方法使用多种特征类型来表示图像内容，引入多特征表示的特征签名，结合K-means聚类算法得到基于多特征融合的图像语义统计模型，以用于对图像自动标注。

然而，以上专利文献中公开的自动标注系统和方法并不具有任何用来提高标注精度和覆盖范围的学习机制。另外，以上所有专利文献所公开的技术仅仅使用相关的关键词来标注图像，但是并不能够从相关的文本内容中提取关键词。