[发明专利]结合判别分析和多核学习的图像有趣性二分类预测方法

权利要求书

1.结合判别分析和多核学习的图像有趣性二分类预测方法，其特征在于，包括以下步骤：

步骤1：输入图像数据，形成数据集，所述数据集中包括训练集和测试集，训练集和测试集的的比例不小于7:3；

步骤2，输入步骤1中数据集，确定数据集中的不寻常线索、美学线索、一般偏好线索三种线索，

其中不寻常线索通过提取数据集中的熟悉度特征和局部离群系数特征表示，美学线索通过提取激励、颜色、纹理、复杂度、形状五种特征来表示，一般偏好线索通过提取Gist场景描述符、方向梯度直方图和SIFT三种特征表示；

步骤3：采用判别相关分析或多重判别相关分析进行步骤2中的任意特征融合；

步骤4，采用简单多核学习算法进行分类，具体为：

步骤4.1，固定核函数的权重，采用常用的SVM算法求解拉格朗日值，具体为：

构造Lagrangian函数如下公式所示：

其中α_i和β_i是拉格朗日乘值，

求Lagrangian函数关于变量f_m,b,ξ的偏导数，并将其置为0，可得：

将式(33)代入式(34)，则可得该优化问题的对偶形式：

在权重确定的情况下，对偶问题的最优值如下公式所示：

其中为对偶形式的最优解，目标值J(d)可由SVM优化算法获得，

步骤4.2，采用梯度下降法，根据目标函数的梯度下降方向更新权重值，具体为：

采用梯度下降法更新不同核函数的权重d_m，求J(d)对d_m的偏导数：

求解过程中，梯度下降法中的可行下降梯度方向必须满足等式约束，同时满足d_m≥0，假设u为d中最大元素的下标，且d_u≠0，则J(d)的下降梯度为：

为了求得J(d)的最小值，梯度的下降方向必须为若同时满足d_m＝0和则无法保证d_m的约束条件，此时将下降方向设为0，则d的梯度下降方向如下公式所示：

求得D_m后，根据d←d+γD更新d，其中步长采用基于Armijo停止准则的线性搜索方法得到，该方法的对偶间隙为：

当DualGap≤ε时，迭代结束，算法终止。

2.根据权利要求1所述的结合判别分析和多核学习的图像有趣性二分类预测方法，其特征在于，所述步骤2中熟悉度特征和局部离群系数特征的提取过程如下所示：

所述熟悉度特征采用步骤1数据集中任意一副图像与其k近邻图像之间的平均距离表示，其中k近邻是指对于给定的一个训练集，对新的输入数据，在训练集中找到与该新的输入数据最邻近的k个数据(也就是k个邻居)；

所述局部离群系数通过10距离邻域表示，如公式(1)，

公式(1)中，参数ρ_k(O)表示点O的局部可达密度，参数表示点p的邻域点N_k(p)的局部可达密度。