[发明专利]用于分布式架构的快速监督离散哈希图像检索系统

权利要求书

1.一种用于分布式架构的快速监督离散哈希图像检索系统，其特征在于包括：

样本数据库，该样本数据库中用于分布式存储网络模型中各个节点上传的样本图像数据，从而构建样本数据集；

核化处理模块，用于对各个节点上传的样本图像数据进行核化处理，得到对应的特征矩阵；

分布式快速监督离散哈希学习模块：用于构建分布式快速监督离散哈希学习模型，且通过对核化处理后的样本数据集进行训练寻优，得到最佳哈希函数投影矩阵以及所述样本数据集对应的最佳哈希码矩阵；

测试样本获取模块：用于获取测试图像数据；

图像检索模块：该图像检索模块将所述测试图像数据传送至所述核化处理模块处理后得到对应的特征矩阵，然后通过所述最佳哈希函数投影矩阵处理得到测试图像数据的哈希码，然后通过计算测试图像数据的哈希码与所述最佳哈希码矩阵之间的汉明距离确定最终的图像检索结果；

所述分布式快速监督离散哈希学习模块按照：

s.t.W_l＝W_s,P_l＝P_s,s∈N(l),

作为全局目标损失函数进行寻优，其中：B_l表示第l个节点上传的样本图像数据对应的哈希码矩阵，Y_l表示第l个节点上传的样本图像数据对应的标签集，W_l表示第l个节点对应的分类器矩阵，P_l表示第l个节点对应的哈希函数投影矩阵，K(X_l)表示第l个节点上传的样本图像数据核化表达特征矩阵，λ和μ表示正则化系数，W_l＝W_s表示相邻两个节点的分类器矩阵相同，P_l＝P_s表示相邻两个节点的哈希码函数投影矩阵相同，P为从所述样本数据库选择的样本对应的节点个数；

网络模型中第l个节点的训练图像特征集用表示，其中n_l和d分别是该节点样本的个数和特征维度，表示该节点的第i个训练图像的特征表示，是实数集合；总的训练图像集为其中代表所有节点训练图像样本总数；

第l个节点的训练图像集对应的标签集用表示，其中n_l和c分别是该节点样本对应标签的个数和类别数，表示该节点l的第i个训练图像样本所对应的标签信息，{0,1}用于标记类别信息，如果属于类别z，则否则为0；

用于检索的测试图像样本特征集用表示，其中m表示测试样本的个数，表示第i个测试图像的特征表示，测试样本对应的标签集

从总的训练图像特征集中随机选取q个样本作为锚点集用于对样本作高斯核映射参考；

归一化P个节点的训练样本特征信息和测试样本特征信息，然后通过高斯非线性核映射到核空间中作为训练样本和测试样本的核化表达特征矩阵K(X_l)和K(X_T)，其中高斯核函数为：

K(x)＝[exp(-||x-a₁||²/σ)，…，exp(-||x-a_q||²/σ)]，x表示样本的特征向量，通过样本图像数据中随机选择q个样本作为锚点，a₁～a_q表示第q个锚点的特征向量，σ为预设的高斯核函数的宽度系数；

针对P个节点中的训练样本，在所述分布式快速监督离散哈希学习模块的寻优过程中：先初始化节点l的哈希码矩阵B_l的初始化是通过随机生成得到的，其中k表示哈希码的长度；

同时初始化目标函数中的分类器矩阵和哈希函数投影矩阵两者都是随机生成，且初始化的两个矩阵均被所有节点所共用，即对任意的节点l∈{1,2,…,P}，初始化W_l＝W，P_l＝P；初始化拉格朗日乘子系数用于后续分别求解分类器矩阵W和投影哈希函数投影矩阵P；初始化正则化系数λ，μ，α,β以及最大迭代次数T；

根据全局目标损失函数，先初始化B_l、P_l以及W_l，在保持P_l和W_l不变的情况下，通过全局目标损失函数寻找局部最佳B_l；

然后在保持B_l和P_l不变的情况下，通过全局目标损失函数寻找局部最佳W_l；

然后在保持B_l和W_l不变的情况下，通过全局目标损失函数寻找局部最佳P_l；

反复循环上述过程，直到最大迭代次数或算法收敛，从而得到所有节点的最佳哈希函数投影矩阵集以及所述样本数据集对应的最佳哈希码矩阵；并从中随机选取一个节点的最优投影矩阵作为全局最优哈希函数投影矩阵P；

在训练寻优过程中，利用增广拉格朗日乘子公式表示全局目标损失函数，并利用交替方向乘子法确定局部最优目标。

2.根据权利要求1所述的用于分布式架构的快速监督离散哈希图像检索系统，其特征在于：所述图像检索模块按照B_T＝sign(K(X_T)P)确定测试图像数据的哈希码B_T，其中K(X_T)为测试图像数据核化表达特征矩阵，P为全局最优哈希函数投影矩阵，sign()为符号函数。