[發明專利]一種基于貝葉斯網絡和分類器鏈的圖像自動標注方法

有效

• 申請號: 202011493104.2
• 申請日: 2020-12-17
• 公開（公告）號: CN112464010B
• 公開（公告）日: 2021-08-27
• 發明（設計）人: 王振武
• 申請（專利權）人: 中國礦業大學（北京）
• 主分類號: G06F16/58
• 分類號: G06F16/58;G06F16/55
• 代理公司: 北京東方盛凡知識產權代理事務所(普通合伙) 11562
• 代理人: 王穎

1.一種基于貝葉斯網絡和分類器鏈的圖像自動標注方法，其特征在于，包括如下步驟：

步驟S1、獲取樣本圖像，提取樣本圖像的特征構成訓練集和測試集，并獲取樣本圖像的標簽，構建總標簽集；

步驟S2、對訓練集、測試集中樣本圖像的特征進行歸一化處理；

步驟S3、基于總標簽集中的每一個標簽、歸一化處理后的樣本圖像的特征，通過改進的貝葉斯信息準則BIC評分函數的評分搜索方法構建貝葉斯網絡，通過貝葉斯網絡進行特征選擇，得到每一個標簽對應的特征子集；

步驟S4、基于每一個標簽對應的特征子集，采用密度聚類DBSCAN對總標簽集中的標簽進行聚類，生成標簽子集；

步驟S5、基于改進的BIC評分函數的評分搜索方法分別為每個標簽子集構建一個貝葉斯網絡結構；

步驟S6、對于每個標簽子集構建的貝葉斯網絡結構，進行拓撲順序提取，并基于拓撲順序構建分類器鏈；通過訓練集和測試集分別對分類器鏈中的各基分類器進行訓練和測試，得到訓練好的分類器鏈，通過訓練好的分類器鏈對待測圖像進行類別預測，完成圖像的自動標注；

所述步驟S3中，分別為每個標簽l_q構建一個貝葉斯網絡其中，f_ww為改進的評分函數，為貝葉斯網絡G在數據集下的評分函數值，是指使得最大的貝葉斯網絡；最終得到每個標簽l_q對應的特征子集d＝1，2，…，D_q，D_q為標簽l_q對應的特征子集的特征個數；

其中，T表示貝葉斯網絡中節點的個數，J_t為節點N_t的父節點的狀態量個數，K_t為節點N_t的狀態變量個數，η為調節參數，m為訓練集中的樣本個數，U_t為節點N_t的父節點個數，count_tjk表示數據集中節點N_t的狀態量為k，且其父節點狀態量為j的樣本個數，表示N_t和u之間的標準化互信息量；表示N_t和u之間的互信息，H()表示求解信息熵，p()表示求解概率。

2.根據權利要求1所述的基于貝葉斯網絡和分類器鏈的圖像自動標注方法，其特征在于，所述步驟S3中，通過爬山法求解使得最大的網絡結構。

3.根據權利要求2所述的基于貝葉斯網絡和分類器鏈的圖像自動標注方法，其特征在于，所述步驟S5具體包括：

根據所述步驟S3中的評分函數，在初始貝葉斯網絡中，不斷增加代表標簽的節點；

隨機選取一個標簽作為爬山搜索的起點；

通過加邊、減邊或翻轉，進行貝葉斯網絡結構的構建。

4.根據權利要求3所述的基于貝葉斯網絡和分類器鏈的圖像自動標注方法，其特征在于，所述貝葉斯網絡結構的構建過程中，滿足評分函數最大化的條件，得到每個標簽子集對應的貝葉斯網絡結構。

5.根據權利要求3所述的基于貝葉斯網絡和分類器鏈的圖像自動標注方法，其特征在于，所述步驟S6中，通過訓練集對分類器鏈中的各基分類器進行訓練的過程包括：

基于每個標簽子集L_r(r＝1，2，...s)對應的貝葉斯網絡，構建標簽依賴字典dependency_dict_r＝{＜key_q，value_q＞}，key_q為標簽子集中的第q個標簽，value_q為標簽子集中第q個標簽的父節點集；將標簽依賴字典中的key_q對應的特征子集與value_q進行拼接，形成新的特征集，完成基分類器的訓練。

6.根據權利要求5所述的基于貝葉斯網絡和分類器鏈的圖像自動標注方法，其特征在于，所述基分類器采用邏輯回歸模型。

7.根據權利要求5所述的基于貝葉斯網絡和分類器鏈的圖像自動標注方法，其特征在于，所述步驟S6中，通過訓練好的分類器鏈對待測圖像進行類別預測的方法包括：

對于每個待測圖像，將特征輸入到無前驅節點標簽對應的基分類器中，得到預測結果；將預測結果輸入至分類器鏈的其他基分類器中，綜合所有的輸出集為最終的圖像預測結果集，完成圖像的自動標注。