(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210500350.9 (22)申请日 2022.05.10 (65)同一申请的已公布的文献号 申请公布号 CN 114596456 A (43)申请公布日 2022.06.07 (73)专利权人 四川大学 地址 610044 四川省成 都市武侯区一环路 南一段24号 (72)发明人 黄海啸　孙元　胡鹏　王旭　 (74)专利代理 机构 西安正华恒远知识产权代理 事务所(普通 合伙) 61271 专利代理师 陈选中 (51)Int.Cl. G06V 10/74(2022.01) G06V 10/774(2022.01)G06V 10/764(2022.01) G06K 9/62(2022.01) (56)对比文件 US 2020364134 A1,2020.1 1.19 CN 112395438 A,2021.02.23 审查员 王瑾香 (54)发明名称 一种基于聚集哈希学习的图像集分类方法 (57)摘要 本发明公开了一种基于聚集哈希学习的图 像集分类方法， 包括以下步骤： S1、 根据训练图像 集， 建立哈希聚集模型； S2、 对哈希聚集模型进行 训练， 得到训练完成的线性哈希 函数和训练图像 集的实例哈希码矩阵； S3、 根据训练完成的线性 哈希函数， 计算待分类图像集的实例的哈希码； S4、 根据待分类图像集的实例的哈希码与训练图 像集的实例哈希码矩阵间距离， 得到待分类图像 集的类别； 本发 明解决了 现有的哈希学习方法没 有很好的考虑图像集的集合信息， 难以很好地在 汉明空间保持实例的相似性， 很难 得到高质量的 实例哈希码， 进 而影响图像集分类精度的问题。 权利要求书2页 说明书8页 附图1页 CN 114596456 B 2022.07.22 CN 114596456 B 1.一种基于聚集哈希学习的图像集分类方法， 其特 征在于， 包括以下步骤： S1、 根据训练图像集， 建立聚集哈希模型； S2、 对哈希聚集模型进行训练， 得到训练完成的线性哈希函数和训练图像集的实例哈 希码矩阵； 所述步骤S2包括以下分步骤： S21、 固定哈希聚集模型中的P、 B、 H， 构建第一目标优化 函数计算线性哈希函数W； 所述步骤S21中第一目标优化 函数为： 其中， W为线性哈希函数， V为低维度图像特征， λ为平衡参数， B为 图像训练子集的每个 实例的哈希码； S22、 根据计算的线性哈希函数W， 固定哈希聚集模型中的B、 H， 构建第二目标优化函数 计算投影矩阵P； 所述步骤S22中第二目标优化 函数为： 其中， P为投影矩阵， L为实例标签， α， λ为平衡参数， B为图像训练子集的每个实例的哈 希码， H为每个图像训练子集的集合哈希码， Z为图像训练子集的集合标签， 为F范 数； S23、 根据计算的线性哈希函数W和投影矩阵P， 固定哈希聚集模型中的B， 构建第三目标 优化函数计算每 个图像训练子集的集 合哈希码H； 所述步骤S23中第三目标优化 函数为： 满足： H∈{‑1， 1}l×k， H1n＝0l， HHT＝nIl 其中， P为投影矩阵， L为实例标签， α， β 为平衡参数， B为图像训练子集的每个实例的哈 希码， l为哈希长度， n为图像训练集数据所有样本数， k为图像训练集中所有图像训练子集 数， 0l为全0矩阵， 1n为全1矩阵， Il为单位矩阵， H为每个图像训练子集的集合哈希码， Z为图 像训练子集的集 合标签， 为F范数； S24、 根据计算的线性哈希函数W、 投影矩阵P和每个图像训练子集的集合哈希码H， 构建 第四目标优化 函数计算图像训练子集的每 个实例的哈希码B； 所述步骤S24中第四目标优化 函数为： 满足： B∈{‑1， 1}l×n， B1n＝0l， BBT＝nIl 其中， P为投影矩阵， W为线性哈希函数， V为低维度图像特征， L为实例标签， α， β 为平衡 参数， B为图像训练子集的每个实例的哈希码， l为哈希长度， n为图像训练集数据所有样本权　利　要　求　书 1/2 页 2 CN 114596456 B 2数， 0l全0矩阵， Il为单位矩阵， H为每个图像训练子集的集合哈希码， Z为图像训练子集的集 合标签， 为F范数； S25、 通过目标损失函数， 计算当前的损失值， 若损失值小于等于阈值， 则将所有实例的 哈希码B构建为实例哈希码矩阵， 并得到训练完成的线性哈希函数， 若损失值大于阈值， 则 跳转至步骤S21进行 再次训练； S3、 根据训练完成的线性哈希函数， 计算待分类图像集的实例的哈希码； S4、 根据待分类 图像集的实例的哈希码与训练图像集的实例哈希码矩阵间距离， 得到 待分类图像集的类别。 2.根据权利要求1所述的一种基于聚集哈希学习的图像集分类方法， 其特征在于， 所述 步骤S1包括以下分步骤： S11、 将训练图像集中每张图像映射到再现希尔伯特空间， 得到低维度图像特 征； S12、 根据低维度图像特 征， 建立哈希聚集模型。 3.根据权利要求2所述的一种基于聚集哈希学习的图像集分类方法， 其特征在于， 所述 步骤S11中低维度图像特 征的计算公式为： 其中， φ(xi)为图像xi的低维图像数据， 多个低维图像数据构成低维度图像特征V， xi为 第i张图像， a1、 ...、 ak为图像训练集中的k个锚点， 为2范数， σ 为核带宽 。 4.根据权利要求2所述的一种基于聚集哈希学习的图像集分类方法， 其特征在于， 所述 步骤S12中哈希聚集模型为： 满足： B∈{‑1， 1}l×n， B1n＝0l， BBT＝nIl H∈{‑1， 1}l×k， H1n＝0l， HHT＝nIl 其中， P为投影矩阵， W为线性 哈希函数， V为低维度图像特征， L为实例标签， α， β， λ为平 衡参数， 确保模 型之间各个项之间的平衡， B为图像训练集的每个实例的哈希码， l为哈希码 长度， n为图像训练集中所有样本数， k为图像训练集中图像训练子集的数量， 0l为全0矩阵， 1n为全1矩阵， Il为l*l的单位矩阵， H为每个图像训练子集的集合哈希码， Z为图像训练子集 的集合标签， 为F范数。 5.根据权利要求1所述的一种基于聚集哈希学习的图像集分类方法， 其特征在于， 所述 步骤S3中计算待分类图像集的实例的哈希码的公式为： BY＝W*TY 其中， BY为待分类图像集的实例的哈希码， W*为训练完成的线性哈希函数， Y为待 分类图 像集的低维度图像特 征。权　利　要　求　书 2/2 页 3 CN 114596456 B 3