图像识别设备及方法

1.一种图像识别方法，包括：
从输入图像提取K种类型的特征，其中，K为大于1的自然数；
分别对提取的K种类型的特征进行编码，以获得用于表示输入图像的与K种类型相应的K个直方图；
利用用于对预设的M个类进行分类的分类器对获得的K个直方图进行分类，以获得预设的M个类的得分，其中，针对K种类型的每种类型，训练用于对预设的M个类进行分类的分类器，来对相应类型的直方图进行分类，其中，M为大于1的自然数；
对获得的预设的M个类的得分进行融合。
2.如权利要求1所述的图像识别方法，其中，所述融合的步骤包括：根据特征的类型将相同类的各个得分加权，将相同类的加权后的得分相加，得到与M个类相应的M个得分。
3.如权利要求2所述的图像识别方法，其中，所述融合的步骤还包括：选择M个类中的一个类作为主导类，根据主导类与M个类中的其他类之间的依存关系，对所述M个得分加权，将加权后的M个得分相加，以得到与主导类相应的一个得分，其中，依次选择M个类的每个类作为主导类，计算与每个主导类相应的得分。
4.如权利要求1所述的图像识别方法，其中，所述融合的步骤包括：选择M个类中的一个类作为主导类，根据主导类与M个类中的其他类之间的依存关系，对M个类中的每个类的得分加权，将加权后的得分相加，以得到与主导类相应的一个得分，其中，依次选择M个类的每个类作为主导类，计算与每个主导类相应的得分。
5.如权利要求2所述的图像识别方法，其中，将相同类的得分加权的步骤包括：训练用于加权的权重，以最大化平均精度。
6.如权利要求5所述的图像识别方法，其中，训练用于加权的权重的步骤包括：
对权重向量e进行初始化，得到初始化的权重向量e0，其中，向量e0的各个元素的值相同；
使用当前的向量ep计算平均精度Ep＝AP(ep)，其中，AP()为计算平均精度的函数，其中，在执行初始化之后，当前向量ep＝e0；
获得步长向量б，通过将当前的向量ep与步长向量б相加，得到新的向量enew，其中，步长向量б的各个元素是预定数值范围内的随机数；
使用新的向量enew再次计算平均精度Enew＝AP(enew)；
如果Enew大于等于Ep，则ep＝enew，重复将当前的向量ep改变步长б的步骤；
如果Enew小于Ep，则确定随机函数rand(Ep，Enew)是否大于0；
如果确定rand(Ep，Enew)大于0，则ep＝enew，重复将当前的向量ep改变步长б的步骤；
如果确定rand(Ep，Enew)不大于0，则ep保持不变，重复将当前的向量ep改变步长б的步骤，
其中，随机函数rand(Ep，Enew)满足下面的条件：Enew越大，rand(Ep，Enew)＞0的概率越大；或者在Enew大于一阈值之后，Enew越大，rand(Ep，Enew)＞0的概率越大。
7.如权利要求6所述的图像识别方法，其中，当改变步长预定次数之后或者当Enew达到预定值时，将此时的ep作为最终训练得到的权重向量e。
8.如权利要求3或4所述的图像识别方法，其中，根据主导类与M个类中的其他类之间的依存关系进行加权的步骤包括：训练用于加权的权重，以最大化平均精度。
9.如权利要求8所述的图像识别方法，其中，训练用于加权的权重的步骤包括：
对权重向量e进行初始化，得到初始化的权重向量e0，其中，在向量e0中，主导类的得分的权重被初始化为1，其他类的得分的权重被初始化为0；
使用当前的向量ep计算平均精度Ep＝AP(ep)，其中，AP()为计算平均精度的函数，其中，在执行初始化之后，当前向量ep＝e0；
获得步长向量б，通过将当前的向量ep与步长向量б相加，得到新的向量enew，其中，步长向量б的各个元素是预定数值范围内的随机数；
使用新的向量enew再次计算平均精度Enew＝AP(enew)；
如果Enew大于等于Ep，则ep＝enew，重复将当前的向量ep改变步长б的步骤；
如果Enew小于Ep，则确定随机函数rand(Ep，Enew)是否大于0；
如果确定rand(Ep，Enew)大于0，则ep＝enew，重复将当前的向量ep改变步长б的步骤；
如果确定rand(Ep，Enew)不大于0，则ep保持不变，重复将当前的向量ep改变步长б的步骤，
其中，随机函数rand(Ep，Enew)满足下面的条件：Enew越大，rand(Ep，Enew)＞0的概率越大；或者在Enew大于一阈值之后，Enew越大，rand(Ep，Enew)＞0的概率越大。
10.如权利要求9所述的图像识别方法，其中，当改变步长预定次数之后或者当Enew达到预定值时，将此时的ep作为最终训练得到的权重向量e。
11.如权利要求1所述的图像识别方法，其中，从输入图像提取K种类型的特征的步骤包括：采用不同的特征点提取方法从输入图像提取特征点，利用至少一种特征描述方法对提取的特征点建立描述子，以提取K种类型的特征。
12.如权利要求1所述的图像识别方法，其中，利用支持向量机将各个分类器训练为一个线性分类器来实现对获得的预设的M类的得分的融合。
13.如权利要求1所述的图像识别方法，其中，所述融合的步骤包括：针对基于同一类型的特征训练的M个类的分类器的得分，从M个类中选择一个类作为主导类，根据主导类与M个类中的其他类之间的依存关系，对基于同一类型的特征训练的M个类的分类器的得分加权，将加权后的得分相加，以得到与主导类相应的一个得分，其中，依次选择M个类的每个类作为主导类，计算与每个主导类相应的得分，其中，对于每种类型的特征执行所述加权相加处理。
14.如权利要求14所述的图像识别方法，还包括：根据特征的类型，对所述融合的步骤的加权相加后的结果中相同类的各个得分加权，将相同类的加权后的得分相加，得到与M个类相应的M个得分。
15.一种图像识别设备，包括：
特征提取单元，从输入图像提取K种类型的特征，其中，K为大于1的自然数；
编码及汇聚单元，分别对提取的K种类型的特征进行编码，以获得用于表示输入图像的与K种类型相应的K个直方图；
分类单元，利用用于对预设的M个类进行分类的分类器对获得的K个直方图进行分类，以获得预设的M个类的得分，其中，针对K种类型的每种类型，训练用于对预设的M个类进行分类的分类器，来对相应类型的直方图进行分类，其中，M为大于1的自然数；
融合单元，对获得的预设的M个类的得分进行融合。
16.一种提供图像搜索服务的系统，所述系统包括权利要求15所述的图像识别设备，其中，所述图像识别设备对从网络上抓取的图像中的对象进行识别，以利用识别的结果来建立对抓取的图像的描述。
17.一种在数字电视中投放广告的系统，所述系统包括权利要求15所述的图像识别设备，其中，所述图像识别设备对用户当前观看的视频中的对象进行识别，以投放与识别的对象相关的广告。

暂无