[發(fā)明專利]基于眾包主動學習用于檢測異常圖片的方法

有效

• 申請?zhí)枺?/td>: 201510540432.6
• 申請日: 2015-08-28
• 公開（公告）號: CN105205503B
• 公開（公告）日: 2018-09-18
• 發(fā)明（設計）人: 萬里;洪敏;白金龍;李麗麗
• 申請（專利權(quán)）人: 重慶恢恢信息技術(shù)有限公司
• 主分類號: G06K9/66
• 分類號: G06K9/66
• 代理公司: 重慶市前沿專利事務所(普通合伙) 50211
• 代理人: 路寧

本發(fā)明公開了一種基于眾包主動學習用于檢測異常圖片的方法，包括如下步驟：S1，獲取圖像特征，從圖像特征中提取二進制向量，選取色調(diào)和飽和度作為圖像特征，合并色調(diào)和飽和度圖像特征來形成一個二維色調(diào)飽和度直方圖；S2，計算每個圖像特征的樣本密度，對樣本密度低于閾值的樣本，計算信息熵，由用戶進行標記；S3，根據(jù)眾包平臺用戶的標記和結(jié)果可信度計算方法，確定樣本的標簽，確定該標記樣本最終是否采用，并更新眾包平臺用戶的信用度，并經(jīng)由眾包平臺返回給用戶，輸出初始分類器，當初始分類器達到一定閾值后執(zhí)行S4；S4，輸出標記訓練集，輸出最終分類器。通過眾包方法有利于平臺推廣和提高用戶參與的積極性提高任務結(jié)果的質(zhì)量。

技術(shù)領域

本發(fā)明涉及計算機大數(shù)據(jù)圖片處理領域，尤其涉及一種基于眾包主動學習用于檢測異常圖片的方法。

背景技術(shù)

當今社會，通過視頻采集模塊獲取海量視頻信息已經(jīng)應用在社會生活的很多領域，例如：高速公路視頻抓拍，公安系統(tǒng)安全監(jiān)控，醫(yī)學領域內(nèi)窺膠囊，智能樓宇視頻監(jiān)控等領域，但是對于海量的視頻圖像數(shù)據(jù)來說，能夠提取出用戶所需的顯著信息，例如，安全監(jiān)控中人體姿態(tài)識別、以及內(nèi)窺膠囊醫(yī)療圖像處理等；

首先，在高速公路視頻抓拍，公安系統(tǒng)安全監(jiān)控，智能樓宇視頻監(jiān)控領域，視頻抓拍的圖像時間跨度很長，而且移動物體和靜止物體交錯出現(xiàn)，這就給判別特定特征圖像帶來極大的困難，雖然現(xiàn)有技術(shù)中有一些常規(guī)的判別特定特征圖像的方法，但是判別速度慢，而且判別準確率低，需要后期進行人工篩選和剔除，耗費了人力物力；

另外，膠囊內(nèi)窺鏡(Wireless Capsule Endoscope，WCE)取代了傳統(tǒng)插入式內(nèi)窺鏡。膠囊內(nèi)窺鏡只有普通膠囊的大小，但是其內(nèi)部集成了微型控制單元、照明裝置、無線通信系統(tǒng)和微型成像裝置?，F(xiàn)在生產(chǎn)的膠囊內(nèi)窺鏡都至少以2f/s(幀每秒)的速率傳輸所拍攝到的消化道內(nèi)壁圖像，在人體內(nèi)大約停留8小時，大概產(chǎn)生67600幅圖像。隨著膠囊內(nèi)窺鏡技術(shù)的不斷發(fā)展，拍攝的速率將會更快，每次檢查獲得更多的圖片。臨床醫(yī)生要在這樣龐大數(shù)量的圖像中找到出血圖片或其他病變特征的圖片需要花費2～3小時的時間以及大量的精力，這將對醫(yī)生在心理和生理上產(chǎn)生很大的壓力，易出現(xiàn)漏判、誤判的情況。在巨大的數(shù)據(jù)量下，如何更好的管理與組織這些數(shù)據(jù)成為擺在人類面前的難題。這就亟需本領域技術(shù)人員解決相應的技術(shù)問題。

發(fā)明內(nèi)容

本發(fā)明旨在至少解決現(xiàn)有技術(shù)中存在的技術(shù)問題，特別創(chuàng)新地提出了一種基于眾包主動學習用于檢測異常圖片的方法。

為了實現(xiàn)本發(fā)明的上述目的，本發(fā)明提供了一種基于眾包主動學習用于檢測異常圖片的方法，其包括如下步驟：

S1，獲取圖像特征，從圖像特征中提取二進制向量，選取色調(diào)和飽和度作為圖像特征，合并色調(diào)和飽和度圖像特征來形成一個二維色調(diào)飽和度直方圖；

S2，計算每個圖像特征周圍的已標記樣本密度，對已標記樣本密度低于閾值的樣本，計算信息熵，選擇信息熵最大的樣本放到眾包平臺，由用戶進行標記；

S3，根據(jù)眾包平臺用戶的標記和結(jié)果可信度計算方法，確定樣本的標簽，并臨時放入訓練集，根據(jù)可信分類迭代算法，確定該標記樣本最終是否采用，并更新眾包平臺用戶的信用度，并經(jīng)由眾包平臺返回給用戶，輸出初始分類器，當初始分類器達到一定閾值后執(zhí)行S4；

S4，當S1-S3步驟執(zhí)行完畢后，輸出標記訓練集，輸出最終分類器。

所述的基于眾包主動學習用于檢測異常圖片的方法，優(yōu)選的，所述S1包括：

取一個二進制向量表示W(wǎng)CE圖像特征，顏色空間選擇HSI顏色空間，選取色調(diào)和飽和度信息作為特征；

合并色調(diào)和飽和度圖像特征來形成一個二維色調(diào)飽和度直方圖。

所述的基于眾包主動學習用于檢測異常圖片的方法，優(yōu)選的，所述S2標記樣本密度步驟包括：