李 敏

(河南经贸职业学院， 郑州 450018)

0 引 言

图像分类的目标是将图像根据其包含的视觉信息，将其划分到对应的语义类别。要实现图像的准确分类，首要任务是确定图像的相似性，主要是如何度量图像与相应语义类别之间的相互关系。由于同一类图像之间的内在变化(如光照变化、视角变化、遮挡等)，确定图像与类别之间的相似性关系，是一个挑战问题，也是整个计算机视觉领域的重点关注和研究的问题。

针对上述图像与语义类别的相似性度量问题，通常有两种解决思路：① 设计能够抓住同一类别图像共同具有的不变性视觉特征，这些特征能够鲁棒地表述同一个类别下图像所具有的特定属性，这些属性在不同的图像类别中具有较强的可区分度。② 组合多个视觉特征，不同的视觉特征揭示着图像中包括的不同视觉属性，如颜色、纹理和形状等信息。这些被组合的视觉特征往往起到相互补充的作用，因为不同的视觉特征在不同的图像类别中或不同的应用领域起着不同的作用，即不存在“放之四海皆准”的视觉特征。就近年的研究现状来看，研究者们青睐于以多特征组合的方式进行图像与语义类别之间的相似性度量，进而提高图像分类的准确度[1-2]。

本文提出了一种改进的基于在线被动-主动学习(Online Passive-Aggressive，OPA)算法[3]来获取不同图像特征下的加权权值。鉴于OPA算法使用数据采样以在线的方式更新特征之间的加权权值，本文推导出求解加权系数的闭式解，以加快算法的执行效率。……