太阳城集团

  • / 17
  • 下载费用:30 金币  

一种用于个性化社会图像推荐的视觉注意标签用户兴趣树的构建方法.pdf

摘要
申请专利号:

太阳城集团CN201510487893.1

申请日:

2015.08.10

公开号:

CN105045907A

公开日:

2015.11.11

当前法律状态:

授权

有效性:

有权

法律详情: 授权|||实质审查的生效IPC(主分类):G06F 17/30申请日:20150810|||公开
IPC分类号: G06F17/30 主分类号: G06F17/30
申请人: 北京工业大学
发明人: 张菁; 杨莹; 卓力; 陈璐
地址: 100124北京市朝阳区平乐园100号
优先权:
专利代理机构: 北京思海天达知识产权代理有限公司11203 代理人: 刘萍
PDF完整版下载: PDF下载
法律状态
申请(专利)号:

CN201510487893.1

授权太阳城集团号:

||||||

法律状态太阳城集团日:

太阳城集团2018.03.09|||2015.12.09|||2015.11.11

法律状态类型:

授权|||实质审查的生效|||公开

摘要

一种用于个性化社会图像推荐的视觉注意-标签-用户兴趣树的构建方法属于社会图像领域。本发明以标签为纽带将视觉注意与用户兴趣结合起来,利用视觉注意机制分析图像的视觉显著性,构建具有树结构的视觉注意模型,据此获得显著区,分析图像显著太阳城集团与标签语义的对应关系,生成显著标签和节点标签,构建标签树模型,进而结合用户历史太阳城集团将标签树向用户兴趣树传播,最后由用户兴趣树向用户推荐图像,根据用户对推荐结果的反馈,重新调整树模型,进一步优化个性化社会图像推荐。其中,生成视觉注意树模型细分为四个部分:图像区域分割,显著性度量,树结构的区域合并,生成显著图。本发明提高个性化图像推荐的准确率。

权利要求书

1.一种用于个性化社会图像推荐的视觉注意-标签-用户兴趣树的构建方法,其特征分为三大步骤:视觉注意树模型的生成;视觉注意-标签-用户兴趣树模型的生成;基于用户兴趣树的个性化社会图像推荐;1.1视觉注意树模型的生成用基于数学形态学的分水岭算法分割图像,以图像的低层视觉特征为基础,能够获得一幅具有闭合曲线的区域分割结果图;然后,基于图像分割结果,采用区域间的全局对比、空间位置和显著可能性三个度量值估计各区域的显著性特征,结合三个值生成图像区域的显著度;根据显著度及合并准则,将图像区域与近邻区域合并,依次合并的过程生成图像的视觉注意树模型,据此,衡量各合并区域显著度获得图像的显著图;1.2视觉注意-标签-用户兴趣树模型的生成在获得图像显著图的基础上,将视觉注意树传播到标签树、将标签树传播到用户兴趣树,通过用户太阳城集团图像分析其感兴趣的标签太阳城集团;视觉注意树到标签树的传播包括显著标签的生成和节点标签的生成两个阶段,显著标签表示图像显著区对应的标签,节点标签表示除显著标签外的其它标签;标签树表示各标签与图像的相关程度;标签树到用户兴趣树的传播,通过用户的太阳城集团历史结合标签树各节点的位置计算用户对各标签的兴趣度,包括定义标签树层次因子和计算用户兴趣度两个阶段;1.3基于用户兴趣树的个性化社会图像推荐根据用户兴趣树模型,确定用户感兴趣的标签,在数据库集中搜索该标签与图像相关度高的图像,将这些图像作为个性化社会图像推荐结果推荐给用户,完成一次个性化社会图像推荐。2.根据权利要求1所述的方法,其特征在于视觉注意树模型的生成具体如下:2.1图像区域分割首先计算分水岭分割后图像各区域的颜色平均值,以该值表示该区域内各像素点的颜色值;将每个区域通过t0×t0大小的盒形滤波器,t0×t0取3×3或5×5;计算此时t0×t0区域内各像素点的颜色平均值代替该盒形的中心像素点颜色值;若某区域尺寸大于或等于t0,则滤波后至少有一个像素点的颜色值与滤波前一致,若某区域滤波后所有像素点颜色值均发生了变化,则该区域尺寸小于t0;由此检测出分割后尺寸小于t0的区域,计算该区域与其近邻区域的颜色差值,选择差值最小的区域进行合并,合并后的区域颜色值为两个区域的颜色均值,以此算法完成小区域合并,解决分割中产生的过分割问题;2.2显著性度量显著区域通常与其它区域有较大差别,采用区域全局对比对其进行度量;人类视觉注意通常集中在图像中心区域,则距离图像中心近的区域显著性大,采用空间位置来度量;背景区域相比显著区域更有可能与图像边界连接,用显著可能性衡量各区域连接边界的大小;将三部分结合起来获得图像各区域显著度;2.2.1全局对比值假设图像分割最终把图像分为n个原始区域,记为Ri,其中i=1,…,n;区域Ri的全局对比度由其与图像中其他区域的差异描述,定义如下:其中,Rj表示原始区域中除Ri外的区域,ci和cj分别表示区域Ri、Rj的颜色平均值,|Rj|代表区域Rj的像素总数,Sd(Ri,Rj)定义为exp{-D(Ri,Rj)/σ2},表示区域Ri和Rj的空间距离,D(Ri,Rj)是两个区域中心的欧氏距离,参数σ2控制距离对全局对比值的影响程度,σ2取值范围为[100,150];将全局对比值归一化为:X1min和X1max分别是各区域全局对比值的最小值和最大值;2.2.2空间位置值各个区域在图像空间的位置值,定义如下:其中,|Ri|表示区域Ri的像素总个数,xi是区域Ri中的像素点坐标,xc是图像中心像素点坐标;空间位置值表征区域中各像素点与图像中心的距离,距离越短并且区域像素点越少,Ri的空间位置值越大;2.2.3显著可能性设置盒形t×t,t×t取33×33或35×35,将小于该尺寸的区域合并,能够获得一幅粗糙的分割结果,设此时分割为nc个区域Rc,c=1,…,nc;每一个区域Rc均由一个或多个原始区域Ri构成;定义显著可能性如下:其中,B表示图像的边界,|Rc∩B|指区域与图像边界相交的像素点数,|Rc|代表区域Rc的像素总数;图像的区域显著可能性值共nc个,对于每一个原始区域Ri,其显著可能性为:2.2.4区域显著度采用乘法运算定义各原始区域的显著度:X(Ri)=NX1(Ri)·X2(Ri)·X3(Ri)(6)2.3树结构的区域合并各原始区域根据合并准则与近邻区域合并,迭代这个过程,生成视觉注意树;2.3.1区域合并准则和合并顺序对于每对近邻区域Ri和Rj,根据两个区域的颜色相似性和显著相似性定义区域的合并准则Mrg:显著相似性定义为:其中,X(Ri)和X(Rj)分别为Ri和Rj的区域显著度;当近邻区域有相似的颜色分布和相似的区域显著性时,二者的合并标准较大,优先合并,将不相邻区域对的合并准则设为0;选取合并准则大的两个区域进行合并,用下式选出区域对(Ri,Rj):(Ri,Rj)=argmaxMrg(Ri,Rj)(9)将合并后的区域记为Rk,其颜色为合并前两区域的颜色均值,显著度为:2.3.2视觉注意树的生成视觉注意树通过区域合并生成,是一个具有树结构的模型;树模型每个节点代表一个区域,底层节点为各原始区域,以此为起点,通过区域合并准则每次选取两个近邻区域合并为一个新区域,在现有的原始区域和合并后的区域中根据合并准则继续选取两个区域合并,重复这个过程,直至所有区域合并完成,视觉注意树的根节点为一幅完整的图像;2.4生成显著图视觉注意树每一个节点区域Rr的围绕区域集为Cr,Cr为与区域Rr相邻的多个区域构成的集合;根据式(9)得到区域Cr的显著度:式中Ri为组成区域Cr的原始区域;定义显著性区域选择标准如下:C(Rr)=|X(Rr)-X(Cr)|·|Rr|·X(Rr)(12)其中,|Rr|表示区域Rr的像素总个数,X(Rr)为Rr的区域显著度;选择标准表示,与周围区域差别越明显、自身区域越大且显著度越大的节点区域,其成为显著区域的可能性越大;计算每一个节点区域的选择标准值,选出具有最大标准的区域,即为该图像的显著区域Rs,即C(Rs)=maxC(Rr),图像显著区域构成其显著图,用一幅灰度图像表示。3.根据权利要求1所述的方法,其特征在于视觉注意-标签-用户兴趣树模型的生成具体如下:3.1视觉注意树到标签树的传播3.1.1显著标签的生成首先选取图像的训练样本,将训练图像的显著图作为m层受限玻尔兹曼机构成的深度置信网络的输入,其中m为大于等于2的整数,通过非监督学习来预训练深度置信网络;具体做法是,对于构成深度置信网络的每一个受限玻尔兹曼机,可视层作为其输入,隐层作为其输出,低层的输出作为高层网络的输入,每层受限玻尔兹曼机采用相同的隐层节点数目,通过这样的过程得到各层间的连接权重,完成无监督的预训练过程;对网络进行监督学习的方法为:使用多示例学习的多样性密度作为分类方法,将深度置信网络顶层受限玻尔兹曼机的输出作为多样性密度算法的输入,其输出为显著图所对应的标签类别;在预训练后,通过网络自顶向下有监督的学习,用训练样本对深度置信网络微调各层次间的链接权重,训练样本训练过的机器学习网络用于测试样本,将标签语义与图像内容联系起来;这样,通过深度学习的方法对图像显著区进行深层的特征学习与提取,并通过多密度学习算法将图像分为其对应的标签语义类,即生成显著标签,在标签树中与根节点连接;3.1.2节点标签的生成节点标签通过计算标签间的相似度来确定其在标签树中的父节点,基于互太阳城集团的方法来计算标签之间的相似度,该方法通过两个标签t1和t2在同一图像中出现的概率表征相似度,如下式定义:p(t1,t2)指标签t1和t2出现在同一副图像的概率,记为:其中,It1和It2分别表示标签t1和t2标记的图像集合,N(It1∩It2)表示同时被标签t1和t2标记的图像个数,N(I)表示数据集中图像的总数;p(t1)和p(t2)分别是标签t1和t2标记图像的概率,定义为:对于每一幅图像,分别计算各标签与显著标签的相关性,相关性最大的作为节点标签与显著标签相连,其余标签分别比较与显著标签和标签树中现有节点标签的相关性,选取相关性较大的标签相连,据此生成标签树;在此规定,标签树中显著标签有多个子节点,但节点标签仅有一个子节点;3.2标签树到用户兴趣树的传播根据标签树模型引入标签树层次因子,结合用户历史太阳城集团太阳城集团,用TF-IDF算法计算用户对标签树中各标签的兴趣度,构建用户兴趣树模型;3.2.1定义标签树层次因子标签树中的标签节点表示其与图像的相关度,将标签树看作具有不同层次的模型,定义标签树层次因子εa(a=1,…,p),其中p为标签树的总层次数;定义标签树中除根节点外的第一层标签即显著标签拥有层次因子ε1,与显著标签相连的节点标签拥有层次因子ε2,再下一层节点标签拥有层次因子ε3,以此类推,同时定义ε1>ε2>…>εp,均为自然数且εp=1;3.2.2计算用户兴趣度用户对标签的感兴趣程度通过TF-IDF太阳城集团加权技术结合标签树层次因子计算,用户的兴趣表示为:{(t1,w1),…,(tm,wm)},其中wm为用户对标签tm的兴趣度,定义为:式中,fm表示用户在一段太阳城集团内太阳城集团标签tm的次数,N为用户总数,nm是用户集合中太阳城集团过标签tm的用户数,D表示用户太阳城集团的标签集合,εx为标签tm在标签树的层次因子;结合标签树计算用户兴趣度,进而构建用户兴趣树模型。4.根据权利要求1所述的方法,其特征在于基于用户兴趣模型的个性化社会图像推荐具体如下:4.1基于用户兴趣标签的个性化社会图像推荐根据用户对标签的感兴趣度,若用户对标签t的兴趣度较大,则将图像库中标签t相关度高的图像作为结果推荐给用户;图像与标签t相关度衡量的标准是:若t是图像的显著标签,即t与图像中主要太阳城集团相关度较大,则认为标签t与该图像相关度大;根据方法获取图像的显著标签,将显著标签为t的图像推荐给用户,完成一次个性化社会图像推荐;4.2用户相关反馈根据用户反馈太阳城集团重新构建视觉注意树模型,进一步调整用户的标签树以及用户兴趣树模型,以此来优化推荐结果。在本发明提出的个性化社会图像推荐方法实施中,具体过程如下:首先,在第一轮的推荐过程中,选取用户历史太阳城集团的I幅图像作为用户感兴趣图像,分别构建这些图像的视觉注意树模型,获取各自的显著图,认为该用户感兴趣太阳城集团包含在这些显著图中;然后,分别生成I幅显著图对应的显著标签,显著标签均与标签树的根节点相连,通过计算节点标签与各自图像中显著标签和标签树底层节点标签的相关度,生成用户的标签树,再结合用户太阳城集团历史计算用户兴趣度,生成用户兴趣树;最后,确定用户感兴趣标签,在数据库中选取与该标签相关度高的图像推荐给用户,用户对推荐结果进行评价,将用户满意的图像作为兴趣图像构建视觉注意树模型,重新生成标签树以指导下一轮推荐,优化个性化社会图像推荐。

关 键 词:
一种 用于 个性化 社会 图像 推荐 视觉 注意 标签 用户 兴趣 构建 方法
  专利查询网所有资源均是用户自行上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作他用。
太阳城集团本文
本文标题:一种用于个性化社会图像推荐的视觉注意标签用户兴趣树的构建方法.pdf
链接地址:http://zh228.com/p-6401551.html
太阳城集团我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服客服 - 联系我们

copyright@ 2017-2018 zhuanlichaxun.net网站版权所有
经营许可证编号:粤ICP备17046363号-1 
 


收起
展开
葡京赌场|welcome document.write ('');