本發(fā)明涉及圖像搜索領(lǐng)域，尤其涉及一種基于grouplasso的半監(jiān)督哈希圖像搜索方法。

背景技術(shù)：

大數(shù)據(jù)時(shí)代的到來(lái)、互聯(lián)網(wǎng)技術(shù)的飛速發(fā)展和智能手機(jī)與照相機(jī)等成像設(shè)備的日漸普及，使圖像等媒體資源的數(shù)據(jù)采集越來(lái)越便捷。在wcb2.0時(shí)代，人們?cè)缫巡粷M足于僅僅使用文字來(lái)傳達(dá)信息，尤其是隨著faccbook、推特、微信、微博等社交軟件的流行，人們?cè)谌粘Ｉ钪幸呀?jīng)非常熟練的使用聊天“表情包”、朋友圈小視頻、語(yǔ)音信息等。這些圖像、視頻、音頻等海量的非結(jié)構(gòu)化數(shù)據(jù)每天都在以驚人的速度增長(zhǎng)。據(jù)市場(chǎng)調(diào)查研究公司idc的一項(xiàng)調(diào)查報(bào)告指出：世界上80％的數(shù)據(jù)都是非結(jié)構(gòu)化數(shù)據(jù)，以文檔、圖像、視頻、音頻等形式存儲(chǔ)信息，這些數(shù)據(jù)每年都按指數(shù)增長(zhǎng)60％。這其中，圖像數(shù)據(jù)占據(jù)了極大的比例，也蘊(yùn)含了大量的信息。

面對(duì)以幾何速度增長(zhǎng)的網(wǎng)絡(luò)圖像數(shù)量，傳統(tǒng)的圖像數(shù)據(jù)的分析和處理面臨資源基數(shù)龐大、特征維度高、需要的存儲(chǔ)空間大、查詢速度慢等方面的挑戰(zhàn)；因此誕生了多種擁有亞線性、對(duì)數(shù)甚至常數(shù)的時(shí)間復(fù)雜度的近似最近鄰算法(approximatcnearcstncighbor，ann)，其中基于哈希的近似最近鄰算法以常數(shù)的查詢時(shí)間和只需存儲(chǔ)少量壓縮的二進(jìn)制碼等優(yōu)點(diǎn)獲得大量關(guān)注。

然而，從現(xiàn)實(shí)生活中的圖像數(shù)據(jù)標(biāo)記現(xiàn)狀考慮，尤其是在圖像搜索與識(shí)別等領(lǐng)域，最大量的、獲取最便捷的圖像數(shù)據(jù)都是沒有標(biāo)簽的，只有少部分是耗費(fèi)人力和物力獲得的帶有標(biāo)簽的圖像數(shù)據(jù)。因此，只需少量帶標(biāo)簽的圖像數(shù)據(jù)和大量沒有標(biāo)簽的圖像數(shù)據(jù)的圖像搜索方法是具有重大現(xiàn)實(shí)意義和實(shí)際需求的。

再者，從圖像數(shù)據(jù)的結(jié)構(gòu)考慮，由于圖像本身具有顏色、性質(zhì)、紋理等全局特征和局部子特征，圖像數(shù)據(jù)的不同維度之間可能具有某些結(jié)構(gòu)或語(yǔ)義聯(lián)系，因此，有效的建模圖像數(shù)據(jù)的結(jié)構(gòu)同樣成為圖像搜索方法的關(guān)鍵點(diǎn)之一。

最后，從圖像數(shù)據(jù)的規(guī)?？紤]，圖像數(shù)據(jù)在與日俱增，設(shè)計(jì)有效的求解算法對(duì)大規(guī)模數(shù)據(jù)集上的圖像搜索亦是重中之重。

技術(shù)實(shí)現(xiàn)要素：

為解決現(xiàn)有技術(shù)的缺陷，本發(fā)明提供一種基于grouplasso的半監(jiān)督哈希圖像搜索方法，包括：

步驟s1：識(shí)別圖像數(shù)據(jù)庫(kù)中的標(biāo)簽圖像和非標(biāo)簽圖像，對(duì)輸入圖像、所述標(biāo)簽圖像和所述非標(biāo)簽圖像進(jìn)行預(yù)處理；

步驟s2：根據(jù)預(yù)處理之后的所述輸入圖像、所述標(biāo)簽圖像和所述非標(biāo)簽圖像進(jìn)行基于grouplasso的半監(jiān)督哈希學(xué)習(xí)得到各圖像對(duì)應(yīng)的二進(jìn)制哈希碼；

步驟s3：根據(jù)所述二進(jìn)制哈希碼計(jì)算所述輸入圖像與所述圖像數(shù)據(jù)庫(kù)中各圖像之間的海明距離，并返回最小海明距離對(duì)應(yīng)的圖像作為圖像搜索結(jié)果。

可選地，所述步驟s1中，所述預(yù)處理包括：灰度化、歸一化、幾何變換和降噪操作。

可選地，所述步驟s2還包括：使用鄰近算法優(yōu)化求解模型。

可選地，所述使用鄰近算法優(yōu)化求解模型，具體包括：在鄰近算法每次迭代時(shí)，從當(dāng)前迭代點(diǎn)沿著梯度方向找到另一個(gè)點(diǎn)使得目標(biāo)函數(shù)的二次近似函數(shù)的函數(shù)值最小，并將所述當(dāng)前迭代點(diǎn)更新為得到的最小函數(shù)值；將所述目標(biāo)函數(shù)的二次近似函數(shù)寫成鄰近算子的形式，具體包括：

步驟1：梯度步，在第t次迭代時(shí)，沿著f(w^t)梯度方向移動(dòng)，另：

其中，t＝1、2、···n，為迭代次數(shù)；u^t是第t次迭代的值；w^t為第t次迭代的模型系數(shù)；滿足利普希茨連續(xù)；l>0，是的利普希茨常數(shù)的上界；

步驟2：鄰近算子步，用每次迭代的解，即grouplasso的鄰近算子，更新w^t+1，直到收斂或達(dá)到最大迭代次數(shù)n：

w^t+1＝[proxμθ(u^t)]g

步驟3：輸出最優(yōu)解。

可選地，所述步驟s2中，在所述基于grouplasso的半監(jiān)督哈希學(xué)習(xí)運(yùn)算中，包括：根據(jù)所述grouplasso算法引入稀疏性，進(jìn)行g(shù)rouplasso的嵌入式圖像特征選擇。

可選地，所述進(jìn)行g(shù)rouplasso的嵌入式圖像特征選擇，具體為：以組為單位將同一組的圖像特征同時(shí)選入或者同時(shí)剔除。

可選地，所述步驟s3中，所述根據(jù)所述二進(jìn)制哈希碼計(jì)算所述輸入圖像與所述圖像數(shù)據(jù)庫(kù)中的各圖像之間的海明距離之后，還包括：將所述海明距離排序得到最小海明距離。

本發(fā)明的優(yōu)點(diǎn)在于：

面對(duì)以幾何速度增長(zhǎng)的圖像數(shù)量，能夠結(jié)合現(xiàn)有圖像數(shù)據(jù)的狀況，有效的建模圖像數(shù)據(jù)結(jié)構(gòu)，快速準(zhǔn)確的搜索到所需的圖像，并且無(wú)需存儲(chǔ)圖像本身，大大節(jié)約了存儲(chǔ)空間。

附圖說(shuō)明

通過(guò)閱讀下文優(yōu)選實(shí)施方式的詳細(xì)描述，各種其他的優(yōu)點(diǎn)和益處對(duì)于本領(lǐng)域普通技術(shù)人員將變得清楚明了。附圖僅用于示出優(yōu)選實(shí)施方式的目的，而并不認(rèn)為是對(duì)本發(fā)明的限制。而且在整個(gè)附圖中，用相同的參考符號(hào)表示相同的部件。在附圖中：

附圖1為本發(fā)明提供的一種基于grouplasso的半監(jiān)督哈希圖像搜索框架圖；

附圖2為本發(fā)明實(shí)施例一提供的一種基于grouplasso的半監(jiān)督哈希圖像搜索方法流程圖；

附圖3為本發(fā)明實(shí)施例二提供的一種基于grouplasso的半監(jiān)督哈希圖像搜索裝置框圖；

附圖4為本發(fā)明實(shí)施例三提供的一種基于grouplasso的半監(jiān)督哈希圖像搜索框架圖。

具體實(shí)施方式

下面將參照附圖更詳細(xì)地描述本公開的示例性實(shí)施方式。雖然附圖中顯示了本公開的示例性實(shí)施方式，然而應(yīng)當(dāng)理解，可以以各種形式實(shí)現(xiàn)本公開而不應(yīng)被這里闡述的實(shí)施方式所限制。相反，提供這些實(shí)施方式是為了能夠更透徹地理解本公開，并且能夠?qū)⒈竟_的范圍完整的傳達(dá)給本領(lǐng)域的技術(shù)人員。

本發(fā)明在圖像搜索領(lǐng)域現(xiàn)狀的背景下，由圖像數(shù)據(jù)的結(jié)構(gòu)和標(biāo)簽情況驅(qū)動(dòng)有效建模，在已有的半監(jiān)督哈希圖像搜索算法基礎(chǔ)上，提出了一種基于grouplasso的半監(jiān)督哈希圖像搜索方法。如圖1所示，方法包括預(yù)處理步驟(1)、基于grouplasso的半監(jiān)督哈希學(xué)習(xí)步驟(2)和計(jì)算搜索結(jié)果步驟(3)；本發(fā)明中引入grouplasso算法和鄰近算法，使有效建模的圖像搜索方法具有更高的準(zhǔn)確性和更快的查詢速度，并且只需存儲(chǔ)圖像的二進(jìn)制哈希碼作為學(xué)習(xí)的結(jié)果，節(jié)省了存儲(chǔ)空間，還可以推廣至超大規(guī)模圖像數(shù)據(jù)集搜索。

其中，鄰近算法常用于解決形如minf(x)＝f(x)+μθ(x)的凸優(yōu)化問(wèn)題，其中，f:r^p→r是可微分的凸函數(shù)，θ:r^p→r是不可微分的閉凸函數(shù)，x∈x是p維向量；以下將f(x)＝f(x)+μθ(x)稱為目標(biāo)函數(shù)；

鄰近算法中鄰近算子的定義為使取最小值的解；

目標(biāo)函數(shù)的二次近似函數(shù)為：其中，t＝1、2、···n，為迭代次數(shù)；滿足利普希茨連續(xù)；l>0，是的利普希茨常數(shù)的上界。

以下將結(jié)合上述內(nèi)容，對(duì)本發(fā)明中公開的圖像搜索方法進(jìn)行進(jìn)一步的詳細(xì)說(shuō)明。

實(shí)施例一

根據(jù)本發(fā)明的實(shí)施方式，提出一種基于grouplasso的半監(jiān)督哈希圖像搜索方法，如圖2所示，包括：

步驟101：識(shí)別圖像數(shù)據(jù)庫(kù)中的標(biāo)簽圖像和非標(biāo)簽圖像，對(duì)輸入圖像、標(biāo)簽圖像和非標(biāo)簽圖像進(jìn)行預(yù)處理；

步驟102：根據(jù)預(yù)處理之后的輸入圖像、標(biāo)簽圖像和非標(biāo)簽圖像進(jìn)行基于grouplasso的半監(jiān)督哈希學(xué)習(xí)得到各圖像對(duì)應(yīng)的二進(jìn)制哈希碼；

步驟103：根據(jù)二進(jìn)制哈希碼計(jì)算輸入圖像與圖像數(shù)據(jù)庫(kù)中各圖像之間的海明距離，并返回最小海明距離對(duì)應(yīng)的圖像作為圖像搜索結(jié)果。

根據(jù)本發(fā)明的實(shí)施方式，步驟101中，預(yù)處理包括但不限于：灰度化、歸一化、幾何變換和降噪操作。

需要說(shuō)明地，由于海量的原始圖像本身具有不同的顏色、紋理、分辨率、大小等，在使用圖像進(jìn)行分析、學(xué)習(xí)之前，對(duì)原始圖像數(shù)據(jù)進(jìn)行必要的預(yù)處理可以有效的簡(jiǎn)化數(shù)據(jù)、去除噪聲等無(wú)關(guān)信息的干擾。

根據(jù)本發(fā)明的實(shí)施例方式，步驟102還包括：使用臨近算法優(yōu)化求解模型。

其中，使用臨近算法優(yōu)化求解模型，具體包括：在鄰近算法每次迭代時(shí)，從當(dāng)前迭代點(diǎn)沿著梯度方向找到另一個(gè)點(diǎn)使得目標(biāo)函數(shù)的二次近似函數(shù)的函數(shù)值最小，并將當(dāng)前迭代點(diǎn)更新為得到的最小函數(shù)值；將目標(biāo)函數(shù)的二次近似函數(shù)寫成鄰近算子的形式，則具體包括：

步驟1：梯度步，在第t次迭代時(shí)，沿著f(w^t)梯度方向移動(dòng)，另：

其中，t＝1、2、···n，為迭代次數(shù)；u^t是第t次迭代的值；w^t為第t次迭代的模型系數(shù)；滿足利普希茨連續(xù)；l>0，是的利普希茨常數(shù)的上界；

步驟2：鄰近算子步，用每次迭代的解，即grouplasso的鄰近算子，更新w^t+1，直到收斂或達(dá)到最大迭代次數(shù)n，即：

w^t+1＝[proxμθ(u^t)]g

步驟3：輸出最優(yōu)解。

根據(jù)本發(fā)明的實(shí)施例方式，步驟102中，在基于grouplasso的半監(jiān)督哈希學(xué)習(xí)運(yùn)算中，還包括：根據(jù)grouplasso算法引入稀疏性，進(jìn)行g(shù)rouplasso的嵌入式圖像特征選擇。

其中，進(jìn)行g(shù)rouplasso的嵌入式圖像特征選擇，具體為：以組為單位將同一組的圖像特征同時(shí)選入或者同時(shí)剔除。

在本實(shí)施例中，嵌入式圖像特征選擇，其將特征選擇過(guò)程和學(xué)習(xí)過(guò)程融合為一體，兩者在同一優(yōu)化過(guò)程中完成，沒有明顯的劃分。

本實(shí)施例步驟102中，得到對(duì)應(yīng)的二進(jìn)制哈希碼之后，還包括：根據(jù)得到的二進(jìn)制哈希碼生成哈希查找表。

根據(jù)本發(fā)明的實(shí)施例方式，步驟103中，根據(jù)二進(jìn)制哈希碼計(jì)算輸入圖像與圖像數(shù)據(jù)庫(kù)中的各圖像之間的海明距離之后，還包括：將海明距離排序得到最小海明距離。

進(jìn)一步地，在本實(shí)施例中，根據(jù)二進(jìn)制哈希碼計(jì)算輸入圖像與圖像數(shù)據(jù)庫(kù)中的各圖像之間的海明距離，具體為：計(jì)算輸入圖像的二進(jìn)制哈希碼與圖像數(shù)據(jù)庫(kù)中的各圖像的二進(jìn)制哈希碼的對(duì)應(yīng)位上編碼不同的位數(shù)，得到輸入圖像與圖像數(shù)據(jù)庫(kù)中的各圖像之間的海明距離；

例如，輸入圖像的二進(jìn)制哈希碼為10101，圖像數(shù)據(jù)庫(kù)中的某一圖像的二進(jìn)制哈希碼為00110，兩個(gè)二進(jìn)制哈希碼中第一位、第四位、第五位上的編碼不同，則得到輸入圖像與圖像數(shù)據(jù)庫(kù)中的某一圖像之間的海明距離為3。

更進(jìn)一步地，在本實(shí)施例中，將grouplasso算法引入了基于半監(jiān)督哈希的學(xué)習(xí)模型中，同時(shí)引入了稀疏性，起到以組為單位進(jìn)行特征選擇的作用；對(duì)應(yīng)地，步驟103中返回最小海明距離對(duì)應(yīng)的圖像可能為一組圖像，也可能為一個(gè)圖像。

實(shí)施例二

根據(jù)本發(fā)明的實(shí)施方式，提供一種基于grouplasso的半監(jiān)督哈希圖像搜索裝置，如圖3所示，包括：

預(yù)處理模塊201，用于識(shí)別圖像數(shù)據(jù)庫(kù)中的標(biāo)簽圖像和非標(biāo)簽圖像，對(duì)輸入圖像、標(biāo)簽圖像和非標(biāo)簽圖像進(jìn)行預(yù)處理；

訓(xùn)練學(xué)習(xí)模塊202，用于根據(jù)預(yù)處理模塊201預(yù)處理之后的輸入圖像、標(biāo)簽圖像和非標(biāo)簽圖像進(jìn)行基于grouplasso的半監(jiān)督哈希學(xué)習(xí)得到各圖像對(duì)應(yīng)的二進(jìn)制哈希碼；

計(jì)算模塊203，用于根據(jù)訓(xùn)練學(xué)習(xí)模塊202得到的二進(jìn)制哈希碼計(jì)算輸入圖像與圖像數(shù)據(jù)庫(kù)中各圖像之間的海明距離，并返回最小海明距離對(duì)應(yīng)的圖像作為圖像搜索結(jié)果。

根據(jù)本發(fā)明的實(shí)施方式，預(yù)處理模塊201，具體用于：識(shí)別圖像數(shù)據(jù)庫(kù)中的標(biāo)簽圖像和非標(biāo)簽圖像，對(duì)輸入圖像、標(biāo)簽圖像和非標(biāo)簽圖像進(jìn)行灰度化、歸一化、幾何變換和降噪操作。

根據(jù)本發(fā)明的實(shí)施方式，訓(xùn)練學(xué)習(xí)模塊202包括：優(yōu)化子模塊，用于使用鄰近算法優(yōu)化求解模型。

其中，優(yōu)化子模塊，具體用于：在鄰近算法每次迭代時(shí)，從當(dāng)前迭代點(diǎn)沿著梯度方向找到另一個(gè)點(diǎn)使得目標(biāo)函數(shù)的二次近似函數(shù)的函數(shù)值最小，并將當(dāng)前迭代點(diǎn)更新為得到的最小函數(shù)值，將目標(biāo)函數(shù)的二次近似函數(shù)寫成鄰近算子的形式，則具體包括：

步驟1：梯度步，在第t次迭代時(shí)，沿著f(w^t)梯度方向移動(dòng)，另：

其中，t＝1、2、···n，為迭代次數(shù)；u^t是第t次迭代的值；w^t為第t次迭代的模型系數(shù)；滿足利普希茨連續(xù)；l>0，是的利普希茨常數(shù)的上界；

步驟2：鄰近算子步，用每次迭代的解，即grouplasso的鄰近算子，更新w^t+1，直到收斂或達(dá)到最大迭代次數(shù)n：

w^t+1＝[proxμθ(u^t)]g

步驟3：輸出最優(yōu)解。

根據(jù)本發(fā)明的實(shí)施方式，訓(xùn)練學(xué)習(xí)模塊202還包括：選擇子模塊，用于根據(jù)grouplasso算法引入稀疏性，進(jìn)行g(shù)rouplasso的嵌入式圖像特征選擇。

其中，選擇子模塊，具體用于：以組為單位將同一組的圖像特征同時(shí)選入或者同時(shí)剔除。

根據(jù)本發(fā)明的實(shí)施方式，所述裝置還包括：排序模塊，用于在計(jì)算模塊203根據(jù)訓(xùn)練學(xué)習(xí)模塊202得到的二進(jìn)制哈希碼計(jì)算輸入圖像與圖像數(shù)據(jù)庫(kù)中的各圖像之間的海明距離之后，將海明距離排序得到最小海明距離。

實(shí)施例三

根據(jù)本發(fā)明的實(shí)施方式，提出一種基于grouplasso的半監(jiān)督哈希圖像搜索方法，如圖4所示，包括：訓(xùn)練圖像數(shù)據(jù)過(guò)程和搜索圖像數(shù)據(jù)過(guò)程；

其中，訓(xùn)練圖像數(shù)據(jù)過(guò)程，包括：

步驟a1：識(shí)別圖像數(shù)據(jù)庫(kù)中的標(biāo)簽圖像和非標(biāo)簽圖像，并對(duì)圖像數(shù)據(jù)庫(kù)中的各圖像進(jìn)行預(yù)處理；

步驟a2：根據(jù)處理后的標(biāo)簽圖像和非標(biāo)簽圖像進(jìn)行基于grouplasso的半監(jiān)督哈希學(xué)習(xí)得到各圖像對(duì)應(yīng)的二進(jìn)制哈希碼；

其中，基于grouplasso的半監(jiān)督哈希學(xué)習(xí)得到以組為單位的組結(jié)構(gòu)的學(xué)習(xí)結(jié)果，并具有稀疏性。

步驟a3：根據(jù)得到的各二進(jìn)制哈希碼生成哈希查找表。

在圖像搜索過(guò)程中，包括：

步驟b1：對(duì)輸入圖像進(jìn)行預(yù)處理；

步驟b2：根據(jù)預(yù)處理后的輸入圖像進(jìn)行基于grouplasso的半監(jiān)督哈希學(xué)習(xí)得到輸入圖像的二進(jìn)制哈希碼；

步驟b3：根據(jù)輸入圖像的二進(jìn)制哈希碼和哈希查找表中的二進(jìn)制哈希碼依次計(jì)算輸入圖像與訓(xùn)練數(shù)據(jù)庫(kù)中各圖像之間的海明距離并排序得到最小海明距離，返回最小海明距離對(duì)應(yīng)的圖像作為搜索結(jié)果。

需要說(shuō)明地，在本實(shí)施例中，將grouplasso算法引入了基于半監(jiān)督哈希的學(xué)習(xí)模型中，同時(shí)引入了稀疏性，起到以組為單位進(jìn)行特征選擇的作用；對(duì)應(yīng)地，步驟b3中返回最小海明距離對(duì)應(yīng)的圖像可能為一組圖像，也可能為一個(gè)圖像。

本發(fā)明中的技術(shù)方案，面對(duì)以幾何速度增長(zhǎng)的圖像數(shù)量，能夠結(jié)合現(xiàn)有圖像數(shù)據(jù)的狀況，有效的建模圖像數(shù)據(jù)結(jié)構(gòu)，快速準(zhǔn)確的搜索到所需的圖像，并且無(wú)需存儲(chǔ)圖像本身，大大節(jié)約了存儲(chǔ)空間。

以上所述，僅為本發(fā)明較佳的具體實(shí)施方式，但本發(fā)明的保護(hù)范圍并不局限于此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到的變化或替換，都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。因此，本發(fā)明的保護(hù)范圍應(yīng)以所述權(quán)利要求的保護(hù)范圍為準(zhǔn)。