[发明专利]一种基于皮尔逊相关系数的语义视觉词典优化方法

权利要求书

1.一种基于皮尔逊相关系数的语义视觉词典构建方法,其特征在于包括以下步骤：

步骤A、使用加速鲁棒特征算法提取图像动态特征R＝{r₁,r₂,…,r_i,…,r_N-1,r_N},同时提取基于图像颜色、形状和纹理的图像底层特征集S＝{s₁,s₂,s₃}，s₁,s₂,s₃分别为图像颜色、形状和纹理特征；

步骤B、使用精确欧式局部敏感哈希聚类算法对获取的图像动态特征聚类,得到原始视觉词典；

步骤C、采用皮尔逊相关系数相关度求取原始视觉词典中视觉短语间相关度大小|ρ_n|，设定阈值ratio₁,若|ρ_n|＜ratio₁,将此视觉短语加入新建的视觉短语集合；

步骤D、若|ρ_n|≥ratio₁，再将此视觉短语对应的动态特征与图像底层特征——颜色、形状、纹理特征再求取皮尔逊相关度|ρ′_n|，设定阈值ratio₂，若|ρ′_n|＞ratio₂，则将此视觉短语加入视觉短语集合,优化原始视觉词典中的视觉短语,构建新的语义视觉词典。

2.根据权利要求1所述的一种基于皮尔逊相关系数的语义视觉词典构建方法,其特征在于,所述步骤B包括：

步骤B1、用加速鲁棒特征算法提取图像动态特征构成动态特征集R＝{r₁,r₂,…,r_i,…,r_N-1,r_N}，其中,r_i是图像的一个动态特征,N为特征集R中特征个数；

步骤B2、从E²LSH聚类算法中的函数集G中随机选取一个位置敏感函数g；

步骤B3、用位置敏感函数g求取图像动态特征集R中图像特征r_i对应的k维向量g(r_i)；

步骤B4、计算r_i的主哈希值h₁(g(r_i))和次哈希值h₂(g(r_i))，将R中主、次哈希值都相同的动态特征放入同一个桶b_k中，b_k即是视觉短语；

步骤B5、求取所有图像动态特征的桶b_k构成原始视觉词典T_g＝{b₁,b₂,…,b_k,…,b_z}。

3.根据权利要求2所述的一种基于皮尔逊相关系数的语义视觉词典构建方法,其特征在于,所述步骤C包括：

步骤C1、对原始视觉词典T_g＝{b₁,b₂,…,b_k,…,b_Z}中的任意一个视觉短语b_k，根据公式计算该视觉短语与原始视觉词典中其它视觉短语之间的相关系数|ρ_n|,得到相关系数矩阵h_k＝[|ρ₁|,…,|ρ_n|,…,|ρ_Z-1|；

步骤C2、对相关系数矩阵h_k降序排序；

步骤C3、设定阈值ratio₁,对降序后的相关系数矩阵h_k,搜索视觉短语,若|ρ_n|＜ratio₁,则将该视觉短语加入新建的视觉短语集合B_g＝{b₁,b₂,…,b_k,…,b_M}中。