【学术论文】图像搜索中人机交互技术的新进展

第2卷第4期 智能系统学报 Vol.2 Ng 4 2007年8月 CAAI Transactions on Intelligent Systems Aug.2007 图像搜索中人机交互技术的新进展 张菁'，沈兰荪'，David Dagan FENG3 (1.北京工业大学信号与信息处理研究室，北京100022：2.悉尼大学信息学院，悉尼2006；3.香港理工大学电子 与资讯工程学系，香港中国) 摘要：人机交互在图像搜索中起着重要的作用.研究下一代人机交互接口以更好地表达用户搜索意图，具有广大 的应用前景.如何充分利用人类的感觉器官，提供拟人化的交互方式已经成为信息科学的一个研究热点.除了提供 自然友好的人机交互，还需要研究如何采用相关反馈技术获取用户的真实需求，以弥补图像底层特征和高层语义之 间的鸿沟，优化查询结果，实现个性化搜索.首先对图像搜索的发展概况做了简要介绍，在对人机交互、相关反馈和 个性化搜索的研究进展进行讨论后，描述了人眼跟踪、语音和触摸导航在图像检索中的应用.最后指出了图像搜索 中人机交互技术进一步的发展前景. 关键词：人机交互：图像搜索；相关反馈：语义鸿沟 中图分类号：TP391文献标识码：A文章编号：16734785(2007)04001407 Human-computer interaction technology in image searches a survey ZHAN G Jing',SHEN Lansun',David Dagan FEN G3 (1.Signal&Information Processing Lab.,Beijing University of Technology,Beijing 100022,China;2.School of Information Technologies,the University of Sydney,NSW 2006,Australia;3.Department of Electronic Information Engineering, Hong Kong Polytechnic University,Hong Kong,China) Abstract:Humamcomputer interaction plays an important role in image searches.Next generation human computer interactions which can identify users'search intentions are a promising research field.Ways to do this by fully utilizing human sense organs and providing humanlike interaction have become a lively topic in informatics.Based on a natural and friendly humamcomputer interaction,relevance feedback is used to determine a user's requirements and narrow the gap between low-level image features and high-lev- el semantic concepts in order to optimize query results and perform a personalized search.Developments in the area of image searches are briefly addressed.The current state of humamcomputer interaction,rele- vance feedback,and personalized search are discussed.Applications for image retrieval using eye-tracking, speech,and haptical navigation are also described.Finally current challenges and future trends are out- lined. Keywords:humamcomputer interaction;image search;relevance feedback;semantic gap 随着数字图像和互联网的飞速发展，大量的数 引擎(image search engine)正是为了解决这个问题 字图像资源呈现在用户面前，但同时伴随的问题是 而出现的一种网络服务这是一种利用自动搜索技 用户越来越难以获得需要的图像信息山.图像搜索 术，对网络中的图像资源进行标记，为用户提供检索 服务的工具. 收稿日期：2007-01-12. 目前，大多数的图像搜索引擎采用的是基于关 基金项目：国家自然科学基金资助项目(60472036,60431020， 60402036):教育部博士点基金资助项目(20040005015)： 键字的检索方法，用户通过键盘输入关键字进行查 北京市自然科学基金资助项目(3052005)；the PolyU/ 询.这种方法检索速度快，实现简单，但是关键字难 UGC grants (B-Q698). 1994-2008 China Academic Journal Electronic Publishing House.All rights reserved htp://www.cnki.net

第 2 卷第 4 期 智 能 系 统 学 报 Vol. 2 №. 4 2007 年 8 月 CAAI Transactions on Intelligent Systems Aug. 2007 图像搜索中人机交互技术的新进展 张 菁1 ,沈兰荪1 ,David Dagan FEN G 2 ,3 (1. 北京工业大学 信号与信息处理研究室 ,北京 100022 ;2. 悉尼大学 信息学院 ,悉尼 2006 ;3. 香港理工大学 电子 与资讯工程学系 ,香港 中国) 摘 要 :人机交互在图像搜索中起着重要的作用. 研究下一代人机交互接口以更好地表达用户搜索意图 ,具有广大 的应用前景. 如何充分利用人类的感觉器官 ,提供拟人化的交互方式已经成为信息科学的一个研究热点. 除了提供 自然友好的人机交互 ,还需要研究如何采用相关反馈技术获取用户的真实需求 ,以弥补图像底层特征和高层语义之 间的鸿沟 ,优化查询结果 ,实现个性化搜索. 首先对图像搜索的发展概况做了简要介绍 ,在对人机交互、相关反馈和 个性化搜索的研究进展进行讨论后 ,描述了人眼跟踪、语音和触摸导航在图像检索中的应用. 最后指出了图像搜索 中人机交互技术进一步的发展前景. 关键词 :人机交互 ;图像搜索 ;相关反馈 ;语义鸿沟 中图分类号 : TP391 文献标识码 :A 文章编号 :167324785 (2007) 0420014207 Human2computer interaction technology in image searches : a survey ZHAN G Jing 1 ,SH EN Lan2sun 1 ,David Dagan FEN G 2 ,3 (1. Signal & Information Processing Lab. , Beijing University of Technology , Beijing 100022 , China ; 2. School of Information Technologies , the University of Sydney , NSW 2006 , Australia ; 3. Department of Electronic & Information Engineering , Hong Kong Polytechnic University , Hong Kong , China) Abstract :Human2comp uter interaction plays an important role in image searches. Next generation human2 comp uter interactions which can identify users’search intentions are a promising research field. Ways to do t his by f ully utilizing human sense organs and providing human2like interaction have become a lively topic in informatics. Based on a nat ural and friendly human2comp uter interaction , relevance feedback is used to determine a user’s requirements and narrow the gap between low2level image feat ures and high2lev2 el semantic concepts in order to optimize query results and perform a personalized search. Developments in t he area of image searches are briefly addressed. The current state of human2comp uter interaction , rele2 vance feedback , and personalized search are discussed. Applications for image retrieval using eye2tracking , speech , and haptical navigation are also described. Finally current challenges and f uture trends are out2 lined. Keywords :human2comp uter interaction ; image search ; relevance feedback ; semantic gap 收稿日期 :2007201212. 基金项 目 : 国 家 自 然 科 学 基 金 资 助 项 目 ( 60472036 , 60431020 , 60402036) ;教育部博士点基金资助项目(20040005015) ; 北京市自然科学基金资助项目 ( 3052005) ; t he PolyU/ U GC grants (B - Q698) . 随着数字图像和互联网的飞速发展 ,大量的数 字图像资源呈现在用户面前 ,但同时伴随的问题是 用户越来越难以获得需要的图像信息[ 1 ] . 图像搜索 引擎(image search engine) 正是为了解决这个问题 而出现的一种网络服务. 这是一种利用自动搜索技 术 ,对网络中的图像资源进行标记 ,为用户提供检索 服务的工具. 目前 ,大多数的图像搜索引擎采用的是基于关 键字的检索方法 ,用户通过键盘输入关键字进行查 询. 这种方法检索速度快 ,实现简单 ,但是关键字难 © 1994-2008 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net

第4期 张菁，等：图像搜索中人机交互技术的新进展 ·15· 以客观反映图像内容.为此人们提出了基于图像内 是人与计算机系统相互沟通的平台，是人机对话的 容的检索(content-based image retrieval,CBIR),用 接口.以人为中心、自然、高效的交互是发展新一代 户通过鼠标和键盘等提供示例图或草图进行检索， 人机交互技术的主要目标 系统返回查询结果.这种方法虽然能够反映图像内 人机交互技术的发展经历了3个阶段，表1列 容，却无法理解用户语义.为了获取用户语义，人们 出了3代人机交互技术的主要特点.其中，第3代人 采用相关反馈的方法，通过用户手工标记正例反例， 机交互界面多模态用户界面(multimodal user 优化检索结果.然而这样产生的检索结果常常不能 interface,MU)融合了多种媒体、多种通道、是以用 满足人们的需求，一个重要原因是所提供的人机交 户为中心的交互.多模态交互方式有语音、手势、眼 互方式不能让用户充分表达自己的查询意图，图像 神、指点、键入等，用户利用多个输入模态以自然、并 底层特征和高层语义之间存在巨大的鸿沟. 行、协作的方式进行人机对话，通过融合来自多模态 的输入（精确的和不精确的）来表达用户的交互意 1人机交互技术 图，从而提高人机交互的自然性和高效性 1.1人机交互的发展 人机交互(humamcomputer interaction,HCI) 表13代人机交互技术的比较 Table 1 Comparison of three humamcomputer interaction 人机交互技术的不同阶段 优点 缺点 第1代.字符显示界面CUI 占用系统资源很少 用户需要记忆烦琐的命令，交互方式单一 交互方式较CUI方便（以鼠标为 菜单灵活性和效率较差，需要占用较多的屏幕空间， 第2代·图形用户界面GU1 主)，用户只需确认而不需回忆 并且难以表达和支持非空间性的抽象信息的交互 系统命令 交互环境自然，人机交互内容信 第3代，多模态用户界面MU1 息量更大，相比GUI交互方式多有关关键技术尚在发展中 样化 人们对人机交互技术已经进行了广泛的研究， 来表达自己的情感、情绪、态度和注意力.以人为中 如：人脸检测(face detection)】、人脸识别(face rec- 心的多模态交互结构如图1所示，输入模态由2部 ognition)B)、面部表情分析(facial expression analy- 分构成：人类感知（视觉、听觉、触觉、嗅觉、味觉）和 sis)1、声音情感(vocal emotion)s1、手势识别(ges 计算机输入设备（鼠标、键盘等）.视觉模态包括人机 ture recognition)I]、人体运动分析(human motion 交互中用视觉信息进行表达的各种形式；听觉模态 analysis))和人眼跟踪(eye tracking)8)等.文献 指的是交互采用的可听形式（包括多语言输入）.使 [9]提出了一种基于视觉的HCI方案，主要使用头 用多模态技术可以构造多种接口，其中最主要的是 跟踪、人脸和面部表情识别、人眼跟踪和手势识别进 感知接口和注意力接口.文献[14]对感知接口1做 行人机交互.文献[10]从计算机视觉的角度将自适 出了定义，它是一个具备高交互性，能够和计算机进 应的智能HCI用于人体运动分析，如下摆臂运动检 行丰富、自然、高效交互的多模态接口.感知接口对 测(lower arm movement detection)、人脸处理和手 那些不灵活的标准接口及通用VO设备如键盘、鼠 势分析.文献[11]讨论了多模态接口.文献[12]讨论 标和显示屏提供了感觉（输入）和描述（输出）方面的 了HCI实时视觉（手势、对象跟踪、手势和注视）交 支持.注意力接口是一种上下文感知接口，其输入是 互 人的注意力)，通过使用收集到的信息来估计出和 1.2多模态人机交互 用户交流的最佳时间和方法 如何充分利用人类的感觉器官.提供拟人化的 2 相关反馈技术 交互方式已经成为信息科学的一个研究热点，多模 态人机交互技术应运而生了.多模态人机交互涉及 除了提供自然友好的人机交互，还需要研究如 计算机视觉、心理学、人工智能等众多研究领域.人 何采用相关反馈技术获取用户的真实需求，以弥补 们通常使用语音、身体语言（姿势、注视]、手运动） 图像底层特征和高层语义之间的鸿沟，优化查询结 1994-2008 China Academic Journal Electronic Publishing House.All rights reserved.http://www.cnki.net

以客观反映图像内容. 为此人们提出了基于图像内 容的检索(content2based image retrieval ,CBIR) ,用 户通过鼠标和键盘等提供示例图或草图进行检索 , 系统返回查询结果. 这种方法虽然能够反映图像内 容 ,却无法理解用户语义. 为了获取用户语义 ,人们 采用相关反馈的方法 ,通过用户手工标记正例反例 , 优化检索结果. 然而这样产生的检索结果常常不能 满足人们的需求 ,一个重要原因是所提供的人机交 互方式不能让用户充分表达自己的查询意图 ,图像 底层特征和高层语义之间存在巨大的鸿沟. 1 人机交互技术 1. 1 人机交互的发展 人机交互 ( human2comp uter interaction , HCI) 是人与计算机系统相互沟通的平台 ,是人机对话的 接口. 以人为中心、自然、高效的交互是发展新一代 人机交互技术的主要目标. 人机交互技术的发展经历了 3 个阶段 ,表 1 列 出了 3 代人机交互技术的主要特点. 其中 ,第 3 代人 机交互界面 ———多模态用户界面 (multimodal user interface ,MU I) 融合了多种媒体、多种通道、是以用 户为中心的交互. 多模态交互方式有语音、手势、眼 神、指点、键入等 ,用户利用多个输入模态以自然、并 行、协作的方式进行人机对话 ,通过融合来自多模态 的输入(精确的和不精确的) 来表达用户的交互意 图 ,从而提高人机交互的自然性和高效性. 表 1 3 代人机交互技术的比较 Table 1 Comparison of three human2computer interaction 人机交互技术的不同阶段 优点 缺点 第 1 代 - 字符显示界面 CU I 占用系统资源很少 用户需要记忆烦琐的命令 ,交互方式单一 第 2 代 - 图形用户界面 GU I 交互方式较 CUI 方便(以鼠标为 主) ,用户只需确认而不需回忆 系统命令 菜单灵活性和效率较差 ,需要占用较多的屏幕空间 , 并且难以表达和支持非空间性的抽象信息的交互 第 3 代 - 多模态用户界面 MUI 交互环境自然 ,人机交互内容信 息量更大 ,相比 GU I 交互方式多 样化 有关关键技术尚在发展中 人们对人机交互技术已经进行了广泛的研究 , 如 :人脸检测(face detection) [2 ] 、人脸识别(face rec2 ognition) [3 ] 、面部表情分析(facial expression analy2 sis) [4 ] 、声音情感(vocal emotion) [5 ] 、手势识别 ( ges2 t ure recognition) [ 6 ] 、人体运动分析 ( human motion analysis) [ 7 ] 和人眼跟踪 ( eye tracking) [8 ] 等. 文献 [9 ]提出了一种基于视觉的 HCI 方案 ,主要使用头 跟踪、人脸和面部表情识别、人眼跟踪和手势识别进 行人机交互. 文献[ 10 ]从计算机视觉的角度将自适 应的智能 HCI 用于人体运动分析 ,如下摆臂运动检 测(lower arm movement detection) 、人脸处理和手 势分析. 文献[ 11 ]讨论了多模态接口. 文献[ 12 ]讨论 了 HCI 实时视觉 (手势、对象跟踪、手势和注视) 交 互. 1. 2 多模态人机交互 如何充分利用人类的感觉器官 ,提供拟人化的 交互方式已经成为信息科学的一个研究热点 ,多模 态人机交互技术应运而生了. 多模态人机交互涉及 计算机视觉、心理学、人工智能等众多研究领域. 人 们通常使用语音、身体语言(姿势、注视[13 ] 、手运动) 来表达自己的情感、情绪、态度和注意力. 以人为中 心的多模态交互结构如图 1 所示 ,输入模态由 2 部 分构成 :人类感知(视觉、听觉、触觉、嗅觉、味觉) 和 计算机输入设备(鼠标、键盘等) . 视觉模态包括人机 交互中用视觉信息进行表达的各种形式 ;听觉模态 指的是交互采用的可听形式 (包括多语言输入) . 使 用多模态技术可以构造多种接口 ,其中最主要的是 感知接口和注意力接口. 文献[ 14 ]对感知接口[15 ] 做 出了定义 ,它是一个具备高交互性 ,能够和计算机进 行丰富、自然、高效交互的多模态接口. 感知接口对 那些不灵活的标准接口及通用 I/ O 设备如键盘、鼠 标和显示屏提供了感觉(输入) 和描述(输出) 方面的 支持. 注意力接口是一种上下文感知接口 ,其输入是 人的注意力[16 ] ,通过使用收集到的信息来估计出和 用户交流的最佳时间和方法. 2 相关反馈技术 除了提供自然友好的人机交互 ,还需要研究如 何采用相关反馈技术获取用户的真实需求 ,以弥补 图像底层特征和高层语义之间的鸿沟 ,优化查询结 第 4 期 张 菁 ,等 :图像搜索中人机交互技术的新进展 · 51 · © 1994-2008 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net

16 智能系统学报 第2卷 图像搜索引擎 Laaksonen等人在文献[32]中使用了TS-SOM来 对不同特征轴的特征向量进行索引，如颜色和纹理： 正例和反例在该自组织图中被映射为冲激，而通过 (类感 计算机输入设备 一个低通操作，可以隐式地表现出不同特征的相关 视觉 音频 味觉 指示： 键盘 身体 重要性，这就意味着一个“好的”图将留下正例，而抛 鼠标 弃反例.这是在Peng等o1基础上做的，该文献使用 三势 嗅觉 输入笔 其他 了概率论的方法来捕获特征相关度 近年来，相关反馈从基于启发式的技术发展到 最优化学习算法，并借鉴了文本检索中的词加权和 图1多模态人机交互 相关反馈方法33]，这种基于修正特征空间中特征轴 Fig.I Multimodal humamrcomputer interaction 权重的思想，提出了使用经验参数调节的启发式公 果.相关反馈(relevance feedback,RF)是一种查询 式1，目的是增加那些能有助产生正例的特征，并 修正技术，起源于信息检索.对于图像底层特征和高 将正例和反例分开 层语义之间的鸿沟，相关反馈技术提供了一种从用 之后，研究者们为了更系统化地处理这个问题， 户那里去挖掘信息的有效方法，通过多次信息回馈 将其划分成一个最优化、学习或分类问题.Ishikawa 和查询要求的提炼，来获取用户的确切需求.在不依 等人在文献[18]以及Rui和Huang在文献[27]中， 赖于能够辨识图像的高层次语义和人们的主观理解 基于最小化新查询中正例的总距离的思想，在新查 的情况下，用户的反馈信息提供了一个学习查询特 询中的平均权值和特征空间中的白化变换（或Ma 例语义的方法.但相关反馈的效果有赖于友好的人 halanobis距离矩阵)设计为最优解决方案.此外 机交互方式 Rui和Huang在文献[27]采用了一种2层的权重 传统的“相关反馈州1川是学习查询的特征差异 方案来更好地处理小样本集的情况.为了加入对反 或特征项的相关度，或者是通过学习特征项之间的 例的考虑，Schettini等人3通过比较正例的方差和 相关性得到特征空间中的一个线性变换8.20！.最新 正例与反例之间的联合方差，对每个特征轴上的特 研究将其称为密度估计21.1、学习2.1或分 征权重做了调整， 类221问题.下面列出了按短期和长期学习对相关 MacArthur等I3]将相关反馈看成一个两类学 反馈算法的分类： 习问题，使用一个决策树算法连续地“砍”掉特征空 高于启发式的（特征值加权） 间，直到所有包含分区的点都属于同一类为止.数据 基于密度估计的 库通过结果决策树进行分类：属于同一相关叶的图 短期学了 基于分类的 像被集中到一起，并且返回与其最近的相邻叶 基于比较搜索的 基于MDS可视化交互 2.2长期学习方法 相关反馈算法 基于启发式的 基于长期学习的相关反馈方法采用离线学习， 长期学了 基于信息检索和数据挖掘 在线执行.比如Guo等人在文献[35]中使用Ads 、基于增量学习 Boost进行人脸识别和语音检索.为了加速多类分 2.1短期学习方法 类方法的成对计算，提出了一个强制的多数投票 早期的研究29.0]主要针对文本检索领域.例 (constrained majority voting,CMV)机制，该机制 如，文献[29]采用基于文本区的“词频”和“逆文档频 允许已标记的训练样本被所有类使用.另一种是基 率”的学习方法，变换成为一种基于沿着连续特征空 于图像分割从样例中学习抽象结构的方法.Xù等人 间中每条特征轴的正反例排序的学习方法.文献 提出了一种用于抽象描述的等级排列方法，可以描 [30]将特征进行了量化，然后将图像或区域分组，从 述使用颜色和边缘进行分割后的基本区域6].比 而形成一个节点由单连接聚类的等级树.之后每个 如，系统通过一个表示其空间关系的邻接矩阵，学习 分组通过一系列运算赋予权重 若干区域的一个“复合节点”.Ratan等人在文献 在相关反馈的过程中，一般使用Kohonen的学 [37]中使用了一个多实例学习模型从特征样例中学 习向量量化(learning vector quantization,LVQ)算 习最重要的子图像集，该子集被称为一个实例包或 法B]和树结构自组织图(tree-structured self-or- 集合.为了得到所有正例图像的特征，而远离反例图 ganizing map,TS-SOM)2来进行动态数据聚类 像子集的特征空间，使用了反转密度算法.Forsyth 1994-2008 China Academic Journal Electronic Publishing House.All rights reserved.htp://www.cnki.nei

图 1 多模态人机交互 Fig. 1 Multimodal human2computer interaction 果. 相关反馈 (relevance feedback ,RF) 是一种查询 修正技术 ,起源于信息检索. 对于图像底层特征和高 层语义之间的鸿沟 ,相关反馈技术提供了一种从用 户那里去挖掘信息的有效方法 ,通过多次信息回馈 和查询要求的提炼 ,来获取用户的确切需求. 在不依 赖于能够辨识图像的高层次语义和人们的主观理解 的情况下 ,用户的反馈信息提供了一个学习查询特 例语义的方法. 但相关反馈的效果有赖于友好的人 机交互方式. 传统的“相关反馈”[17 ] 是学习查询的特征差异 或特征项的相关度 ,或者是通过学习特征项之间的 相关性得到特征空间中的一个线性变换[18 - 20 ] . 最新 研究 将 其 称 为 密 度 估 计[21 - 22 ] 、学 习[23 - 26 ] 或 分 类[27 - 28 ]问题. 下面列出了按短期和长期学习对相关 反馈算法的分类 : 相关反馈算法 短期学习 高于启发式的(特征值加权) 基于密度估计的 基于分类的 基于比较搜索的 基于 MDS 可视化交互 长期学习 基于启发式的 基于信息检索和数据挖掘 基于增量学习 2. 1 短期学习方法 早期的研究[29 - 30 ] 主要针对文本检索领域. 例 如 ,文献[ 29 ]采用基于文本区的“词频”和“逆文档频 率”的学习方法 ,变换成为一种基于沿着连续特征空 间中每条特征轴的正反例排序的学习方法. 文献 [30 ]将特征进行了量化 ,然后将图像或区域分组 ,从 而形成一个节点由单连接聚类的等级树. 之后每个 分组通过一系列运算赋予权重. 在相关反馈的过程中 ,一般使用 Kohonen 的学 习向量量化 (learning vector quantization ,LVQ) 算 法[31 ] 和树结构自组织图 ( tree2struct ured self2or2 ganizing map , TS2SOM) [32 ] 来进行动态数据聚类. Laaksonen 等人在文献 [ 32 ]中使用了 TS2SOM 来 对不同特征轴的特征向量进行索引 ,如颜色和纹理. 正例和反例在该自组织图中被映射为冲激 ,而通过 一个低通操作 ,可以隐式地表现出不同特征的相关 重要性 ,这就意味着一个“好的”图将留下正例 ,而抛 弃反例. 这是在 Peng 等[30 ]基础上做的 ,该文献使用 了概率论的方法来捕获特征相关度. 近年来 ,相关反馈从基于启发式的技术发展到 最优化学习算法 ,并借鉴了文本检索中的词加权和 相关反馈方法[33 ] . 这种基于修正特征空间中特征轴 权重的思想 ,提出了使用经验参数调节的启发式公 式[18 ] ,目的是增加那些能有助产生正例的特征 ,并 将正例和反例分开. 之后 ,研究者们为了更系统化地处理这个问题 , 将其划分成一个最优化、学习或分类问题. Ishikawa 等人在文献[18 ]以及 Rui 和 Huang 在文献[ 27 ]中 , 基于最小化新查询中正例的总距离的思想 ,在新查 询中的平均权值和特征空间中的白化变换 (或 Ma2 halanobis 距离矩阵) 设计为最优解决方案. 此外 , Rui 和 Huang 在文献[ 27 ]采用了一种 2 层的权重 方案来更好地处理小样本集的情况. 为了加入对反 例的考虑 ,Schettini 等人[34 ]通过比较正例的方差和 正例与反例之间的联合方差 ,对每个特征轴上的特 征权重做了调整. MacArt hur 等[33 ]将相关反馈看成一个两类学 习问题 ,使用一个决策树算法连续地“砍”掉特征空 间 ,直到所有包含分区的点都属于同一类为止. 数据 库通过结果决策树进行分类 :属于同一相关叶的图 像被集中到一起 ,并且返回与其最近的相邻叶. 2. 2 长期学习方法 基于长期学习的相关反馈方法采用离线学习 , 在线执行. 比如 Guo 等人在文献[ 35 ]中使用 Ads2 Boost 进行人脸识别和语音检索. 为了加速多类分 类方法的成对计算 ,提出了一个强制的多数投票 (constrained majority voting , CMV) 机制 ,该机制 允许已标记的训练样本被所有类使用. 另一种是基 于图像分割从样例中学习抽象结构的方法. Xu 等人 提出了一种用于抽象描述的等级排列方法 ,可以描 述使用颜色和边缘进行分割后的基本区域[36 ] . 比 如 ,系统通过一个表示其空间关系的邻接矩阵 ,学习 若干区域的一个“复合节点”. Ratan 等人在文献 [37 ]中使用了一个多实例学习模型从特征样例中学 习最重要的子图像集 ,该子集被称为一个实例包或 集合. 为了得到所有正例图像的特征 ,而远离反例图 像子集的特征空间 ,使用了反转密度算法. Forsyt h · 61 · 智 能 系 统 学 报 第 2 卷 © 1994-2008 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net

第4期 张菁，等：图像搜索中人机交互技术的新进展 ·17 和Fleck在文献[38]中也提到了类似的工作，他们 方式：或明确地指定相关的关键字.这种方式获得的 从对象中学习构造出了“正视图”.Hong和 用户信息具有较高的质量，歧义较少.但是对用户有 Huang!]将一个对象或场景定义为一个上下文样 很高的要求，如：用户要能理解这样反馈的目的，并 式，并使用一个属性关系图ARG(attributed rela- 有耐心去显式地参与系统 tional graph)o1来描述它.目前，相关反馈主要难点 2)无用户参与：并不是说用户不需要和系统做 是计算复杂度，此外，要达到相关反馈需要的实时处 任何的交互，而是用户不需要显式地说明自己的兴 理要求还相差甚远 趣，个性化系统将统计用户在普通使用互联网时的 行为方式，并从中发现用户的兴趣.例如：网络使用 3个性化搜索 挖掘(web usage mining)记录了用户浏览网页时的 个性化搜索是目前人机交互技术研究中的一个 行为；上下文搜索(context search)就范围广一些 前沿课题.通用搜索引擎是将所有人一致认同的“相 可以是用户使用计算机的所有行为；而用户反馈则 关度”认为是单个用户的相关度，采用唯一的一个相 侧重在一个查询进程(query session)内的行为等 关度计算方法，而个性化搜索(personalized search) 是针对个人的“相关度”，每个用户都有自己的一套 4人眼跟踪技术 独特的相关度计算方法.使用个性化搜索不仅可以 利用人眼跟踪技术，通过用户注视行为得到用 提高搜索精度，而且提供了确定用户检索意图的更 户对信息的注意力，从而可以快速地传递图像区域 好的方法.因此，个性化搜索是实现友好搜索的目 之间的相似度.这种基于人眼跟踪的交互技术为图 的 像搜索提供了一个自然快速的交互接口.文献[41] 实现个性化搜索服务，关键是进行用户个性化 提出了一个人眼跟踪图像检索系统的架构，如图3. 分析，构建个性化文件.用户的访问兴趣可以运用 人眼跟踪接口 ?!Ci求处理 web行为挖掘对用户注册信息、用户自定义的感兴 语义 视点 视觉注意力 趣的词汇和服务器记录的server logs,cookies logs 眼运动 等日志信息进行推理、预测和分类；运用快捷、高效、 分析 低复杂度的动态增量聚类算法和并行算法获取用户 访问信息：通过对用户访问日志中数据的清洗（消除 LED摄像头 19 噪声)，获得用户访问的路径信息，挖掘出用户检索 行为的模式，产生个性化文件(profiles).随着用户 提交查询请求的变化，搜索引擎可以通过自治、自适 图3人眼跟踪图像检索系统架构 应、学习来使个性化文件得到不断的更新.信息过滤 Fig.3 Architecture of eye tracking based 系统的作用则是实现信息空间和个性化文件的匹 image retrieval system 配.如图2是个性化搜索的工作原理图 图3系统主要由人眼跟踪接口和CBIR(基于内 容的图像检索)处理2部分组成，人眼跟踪接口通过 用户注册信息 自适应学习 显示器下方的摄像头采集人眼视频，并自动实时跟 用户自定义的 Agent(推理 踪人眼注视视点；人眼注视方向通过瞳孔中心/角膜 感兴趣词汇 预测、分类) 用户兴趣词典 反射分析获得，摄像头中心有一个红外发光二极管 Server日志信息 LED LED作用是对人眼照明产生角膜反射，从而 查询请求 匹配 造成亮瞳孔效应（如图4），这样可以增强瞳孔图像， 有助于准确地判断人眼注意力.系统用红外光照明 图2个性化搜索原理 眼晴并将反射图像用摄像机记录下来，将摄像头获 Fig.2 Personalized search framework 得的数据通过计算机或微处理器处理.系统光学元 个性化搜索是以用户为中心的搜索，按照用户 件在空间固定，相对受试者的眼睛有较为固定的距 的参与程度又可以进行如下的划分： 离，系统测量头部的位置和方向，用测得的数据作为 1)用户参与（用户显式的参与）：用户主动地向 计算视线的一个参考.计算机处理器识别瞳孔和角 系统提供自己的兴趣说明.例如明确的指定自己的 膜，找到它们面心之间的距离，计算瞳孔直径，然后 兴趣类别；或明确地指定自己感兴趣的相关网页等 计算出在屏幕空间中的注视点.基于内容的图像检 1994-2008 China Academic Journal Electronic Publishing House.All rights reserved.http://www.cnki.net

和 Fleck 在文献[ 38 ]中也提到了类似的工作 ,他们 从对 象 中 学 习 构 造 出 了“正 视 图”. Hong 和 Huang [ 39 ]将一个对象或场景定义为一个上下文样 式 ,并使用一个属性关系图 AR G( attributed rela2 tional grap h) [40 ]来描述它. 目前 ,相关反馈主要难点 是计算复杂度 ,此外 ,要达到相关反馈需要的实时处 理要求还相差甚远. 3 个性化搜索 个性化搜索是目前人机交互技术研究中的一个 前沿课题. 通用搜索引擎是将所有人一致认同的“相 关度”认为是单个用户的相关度 ,采用唯一的一个相 关度计算方法 ,而个性化搜索 (personalized search) 是针对个人的“相关度”,每个用户都有自己的一套 独特的相关度计算方法. 使用个性化搜索不仅可以 提高搜索精度 ,而且提供了确定用户检索意图的更 好的方法. 因此 ,个性化搜索是实现友好搜索的目 的. 实现个性化搜索服务 ,关键是进行用户个性化 分析 ,构建个性化文件. 用户的访问兴趣可以运用 web 行为挖掘对用户注册信息、用户自定义的感兴 趣的词汇和服务器记录的 server logs、cookies logs 等日志信息进行推理、预测和分类 ;运用快捷、高效、 低复杂度的动态增量聚类算法和并行算法获取用户 访问信息 ;通过对用户访问日志中数据的清洗(消除 噪声) ,获得用户访问的路径信息 ,挖掘出用户检索 行为的模式 ,产生个性化文件 (profiles) . 随着用户 提交查询请求的变化 ,搜索引擎可以通过自治、自适 应、学习来使个性化文件得到不断的更新. 信息过滤 系统的作用则是实现信息空间和个性化文件的匹 配. 如图 2 是个性化搜索的工作原理图. 图 2 个性化搜索原理 Fig. 2 Personalized search framework 个性化搜索是以用户为中心的搜索 ,按照用户 的参与程度又可以进行如下的划分 : 1) 用户参与(用户显式的参与) :用户主动地向 系统提供自己的兴趣说明. 例如明确的指定自己的 兴趣类别 ;或明确地指定自己感兴趣的相关网页等 方式 ;或明确地指定相关的关键字. 这种方式获得的 用户信息具有较高的质量 ,歧义较少. 但是对用户有 很高的要求 ,如 :用户要能理解这样反馈的目的 ,并 有耐心去显式地参与系统. 2) 无用户参与 :并不是说用户不需要和系统做 任何的交互 ,而是用户不需要显式地说明自己的兴 趣 ;个性化系统将统计用户在普通使用互联网时的 行为方式 ,并从中发现用户的兴趣. 例如 :网络使用 挖掘(web usage mining) 记录了用户浏览网页时的 行为 ;上下文搜索 (context search) 就范围广一些 , 可以是用户使用计算机的所有行为 ;而用户反馈则 侧重在一个查询进程(query session ) 内的行为等. 4 人眼跟踪技术 利用人眼跟踪技术 ,通过用户注视行为得到用 户对信息的注意力 ,从而可以快速地传递图像区域 之间的相似度. 这种基于人眼跟踪的交互技术为图 像搜索提供了一个自然快速的交互接口. 文献[ 41 ] 提出了一个人眼跟踪图像检索系统的架构 ,如图 3. 图 3 人眼跟踪图像检索系统架构 Fig. 3 Architecture of eye tracking2based image retrieval system 图 3 系统主要由人眼跟踪接口和 CBIR(基于内 容的图像检索) 处理 2 部分组成 ,人眼跟踪接口通过 显示器下方的摄像头采集人眼视频 ,并自动实时跟 踪人眼注视视点 ;人眼注视方向通过瞳孔中心/ 角膜 反射分析获得 ,摄像头中心有一个红外发光二极管 L ED ,L ED 作用是对人眼照明产生角膜反射 ,从而 造成亮瞳孔效应(如图 4) ,这样可以增强瞳孔图像 , 有助于准确地判断人眼注意力. 系统用红外光照明 眼睛并将反射图像用摄像机记录下来 ,将摄像头获 得的数据通过计算机或微处理器处理. 系统光学元 件在空间固定 ,相对受试者的眼睛有较为固定的距 离 ,系统测量头部的位置和方向 ,用测得的数据作为 计算视线的一个参考. 计算机处理器识别瞳孔和角 膜 ,找到它们面心之间的距离 ,计算瞳孔直径 ,然后 计算出在屏幕空间中的注视点. 基于内容的图像检 第 4 期 张 菁 ,等 :图像搜索中人机交互技术的新进展 · 71 · © 1994-2008 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net

18- 智能系统学报 第2卷 索(content-based image retrieval,CBIR)处理负责 计算视觉注意力和分析人眼运动，从而进行图像检 索 亮蟑孔 图5组合语音和触摸的交互式CBR 角膜反射 Fig.5 Combining speech and haptics for interactive CBIR 图像解释相似的距离.如图6就是一个对存储图像 图4瞳孔光照效应及角膜反射 进行分层的过程，这些分层是对象级、特征类级、特 Fig.4 Bright pupil effect and corneal reflection 征向量级，然后是相似度计算.其中，Q是查询对象， 视觉注意力(visual attention,VA)计算过程 On是图像对象，每个特征的相似度是：Sg=mg(w, 是，随机选择图像中的某一像素，根据与相邻像素的 ,9),总相似度为特征相似度之和 匹配情况来计算其VA值，通常图像边界或边缘 VA值较高.计算公式为 存储图像 P= nx2-∑x2 n(n-1) (1) 式中：v表示的是数据集x的VA值在单位时间的 特征类级 平均伸展度及变化 经过实验证明，VA值越高的区域，人们对图像 特征向量级 的兴趣度越高，通过捕获高VA值区可以获得用户 汇总计算 感兴趣区，从而优化图像搜索精度 特征向量级 5语音和触摸导航 特征类级 查询对象 文献[42]中的交互式图像检索系统采用触摸和 自然语言来表明用户的感兴趣图像或图像内容.如 图5，用户首先找到含有感兴趣对象的图像，然后标 示例图 记出兴趣对象，作为查询输入.图像的首次查询采用 的是基于文本的搜索方法，图像检索系统根据对象 图6图像的分层过程 的位置和大小搜索图像库中的图像.当搜索窗口在 Fig.6 Image hierarchy 图像上移动时，窗口中的子图像被分类成对象（正 例)类或非对象（反例）类.当对原始图像扫描完成 其中，图像的感兴趣区是通过关键点检测，使用 后，对图像进行亚采样.使用搜索窗口再对亚采样图 聚类分析得到感兴趣区如图7所示 像扫描并分类子图像，直到亚采样图像的大小小于 用户指定的固定窗体大小.初始化搜索时，只有正 图像 关键点检测 聚类 聚类分析 ·感兴趣区 例，使用贝叶斯分类器分类子图像.系统将图像分成 2020子图像，如果所有子图像是正例，则返回.图 图7检测图像的感兴趣区 像搜索采用2步分类器，首先通过窗口将原始图像 Fig.7 Detection of regions of interest in images 按照位置和大小扫描为一组子图像，第1步通过估 计非条件密度和对象分类条件密度计算出后验概 6结束语 率，使用后验概率对子图像进行分类和排序；第2步 综上所述，实现一个高友好性的图像搜索引擎， 用户相关反馈训练，去除第1步中被错误标记为正 需要拟人化的人机交互方式，并以相关反馈为手段， 例的负子图像；最后，将正子图像返回给用户 个性化文件为过滤机制进行查询优化.具体表现在 基于内容的图像检索可以认为是一个分层的过 对3个方面的需求：1)相关反馈机制：提供友好的用 程3]，不同层代表了不同的图像特征和与用户语义 户评价接口和知识问答平台，可以获得更多的相关 1994-2008 China Academic Journal Electronic Publishing House.All rights reserved http://www.cnki.net

索(content2based image retrieval ,CBIR) 处理负责 计算视觉注意力和分析人眼运动 ,从而进行图像检 索. 图 4 瞳孔光照效应及角膜反射 Fig. 4 Bright pupil effect and corneal reflection 视觉注意力 ( visual attention , VA) 计算过程 是 ,随机选择图像中的某一像素 ,根据与相邻像素的 匹配情况来计算其 VA 值 ,通常图像边界或边缘 VA 值较高. 计算公式为 v = n ∑x 2 - ( ∑x) 2 n( n - 1) . (1) 式中 : v 表示的是数据集 x 的 VA 值在单位时间的 平均伸展度及变化. 经过实验证明 ,VA 值越高的区域 ,人们对图像 的兴趣度越高 ,通过捕获高 VA 值区可以获得用户 感兴趣区 ,从而优化图像搜索精度. 5 语音和触摸导航 文献[42 ]中的交互式图像检索系统采用触摸和 自然语言来表明用户的感兴趣图像或图像内容. 如 图 5 ,用户首先找到含有感兴趣对象的图像 ,然后标 记出兴趣对象 ,作为查询输入. 图像的首次查询采用 的是基于文本的搜索方法 ,图像检索系统根据对象 的位置和大小搜索图像库中的图像. 当搜索窗口在 图像上移动时 ,窗口中的子图像被分类成对象 (正 例) 类或非对象 (反例) 类. 当对原始图像扫描完成 后 ,对图像进行亚采样. 使用搜索窗口再对亚采样图 像扫描并分类子图像 ,直到亚采样图像的大小小于 用户指定的固定窗体大小. 初始化搜索时 ,只有正 例 ,使用贝叶斯分类器分类子图像. 系统将图像分成 20 ×20 子图像 ,如果所有子图像是正例 ,则返回. 图 像搜索采用 2 步分类器 ,首先通过窗口将原始图像 按照位置和大小扫描为一组子图像 ,第 1 步通过估 计非条件密度和对象分类条件密度计算出后验概 率 ,使用后验概率对子图像进行分类和排序 ;第 2 步 用户相关反馈训练 ,去除第 1 步中被错误标记为正 例的负子图像 ;最后 ,将正子图像返回给用户. 基于内容的图像检索可以认为是一个分层的过 程[33 ] ,不同层代表了不同的图像特征和与用户语义 图 5 组合语音和触摸的交互式 CBIR Fig. 5 Combining speech and haptics for interactive CBIR 图像解释相似的距离. 如图 6 就是一个对存储图像 进行分层的过程 ,这些分层是对象级、特征类级、特 征向量级 ,然后是相似度计算. 其中 ,Q 是查询对象 , On 是图像对象 ,每个特征的相似度是 :Sij = mij ( wij , rij , qij ) ,总相似度为特征相似度之和. 图 6 图像的分层过程 Fig. 6 Image hierarchy 其中 ,图像的感兴趣区是通过关键点检测 ,使用 聚类分析得到感兴趣区 ,如图 7 所示. 图 7 检测图像的感兴趣区 Fig. 7 Detection of regions of interest in images 6 结束语 综上所述 ,实现一个高友好性的图像搜索引擎 , 需要拟人化的人机交互方式 ,并以相关反馈为手段 , 个性化文件为过滤机制进行查询优化. 具体表现在 对 3 个方面的需求 :1) 相关反馈机制 :提供友好的用 户评价接口和知识问答平台 ,可以获得更多的相关 · 81 · 智 能 系 统 学 报 第 2 卷 © 1994-2008 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net

第4期 张菁，等：图像搜索中人机交互技术的新进展 ·19· 反馈信息量，结合使用反馈信息、多特征高层语义和 time vision for humamrcomputer interaction [M].New 用户模型生成查询表达式.2)基于学习方法生成个 York:Springer-Verlag,2005. 性化文件：根据用户的操作行为、语言描述、专业领 [13]QVARFORDT P,ZHAI Shumin.Conversing with the 域，采用基于学习的方法生成用户模型，构成个性化 user based on eye gaze patterns[A].Conf Humarr Fac- tors in Computing System[C].New York,2005. 文件，如感兴趣搜索词、图像特征或视频特征等，对 [14]TURK M,KOL SCH M.Perceptual interfaces M] 优化搜索结果、过滤非索要信息起到举足轻重的作 Englewood Cliffs:Prentice Hall,2004. 用.3)多模态人机交互：融合多模态和综合使用人们 [15]TURK M,ROBERTSON G.Perceptual interfaces[J ] 的各种感觉器官，使人机交互方式以人为中心、自 Communications of the ACM,2000,43(3):32-34. 然、高效地交互，获得更多的用户语义信息，从而提 [16]SEL KER T.Visual attentive interfaces[J].BT Tech 供拟人化的交互方式。 nology Journal,2004,22(4):146-150. [17]CHEN J BOUMAN C,DAL TON J.Hierarchical brow- 参考文献： sing and search of large image databases [J].IEEE [1]沈兰荪，卓力.小波编码与网络视频传输[M].北京： Trans Image Process,2000,9(3):442-445. 科学出版社，2005. [18]ISHIKAWA Y,SUBRAMAN YA R,FALOUTSOS C. [2]LI Xiaohua,SHEN Lansun.Detecting faces in the wave- MindReader:query databases through multiple exam- let compressed domain [A ]In Proceedings of SPIE ples[A].International Conf on Very Large Data Bases Visual Communications and Image Processing 2005[C]. (VLDB)[C].New York,USA,1998. Beijing,2005. [19]RUI Y,HUANG T.Optimizing learning in image re- [3]LIU Danghui,SHEN Lansun,LAN Kinman,et al.Face trieval [A ]IEEE Conf Computer Vision and Pattern recognition based on illumination restoration[A].In Pro- Recognition[C].South Carolina,USA,2000. ceeding of 2004 International Symposium Multimedia: [20]ZHOU X,HUANG T.Small sample learning during Video and Speech Proceeding[C].Hong Kong,China, multimedia retrieval using BiasMap[A].IEEE Int Conf 2004. Computer Vision and Pattern Recognition[C].Hawaii, [4]FASEL B,LUETTIN J.Automatic facial expression a USA,2001. nalysis:a survey[J ]Pattern Recognition,2003,36(1): [21]CHEN Y,ZHOU X,HUANG T.Oneclass SVM for 259.275 learning in image retrieval [A].International Conf on [5]OUDEVER P.The production and recognition of emo- Image Processing[C].Thessaloniki,2001. tions in speech:features and algorithms[J].Int J of Hu [22]WU Y,TIAN Q,HUANG T S.Discriminant EM al- mamComputer Studies,2003,59(1-2):157-183. gorithm with application to image retrieval [A].IEEE [6]MARCEL S.Gestures for multi-modal interfaces:a re- Conf Computer Vision and Pattern Recognition [C]. view[R].Technical Report IDIAP-RR 02-34,2002. South Carolina,USA,2000 [7]HU Weiming,TAN Tieniu,WANG Liang,et al.A [23]MACARTUR S,BRODLEY C,SHYU C.Relevance survey on visual surveillance of object motion and behav- feedback decision trees in content-based image retrieval iors [J].IEEE Trans on Systems,Man,and Cybernet- [A ]IEEE Workshop CBAIVL C].South Carolina, ics,2004,34(8):3. USA,2000. 8]DUCHOWSKI A.A breadth-first survey of eye tracking (24]TIEU K,VIOLA P.Image retrieval [A].IEEE Conf applications[J].Behavior Research Methods, Instru- Computer Vision and Pattern Recognition C].South ments,and Computer,2002,34(4):455-470. Carolina.USA.2000. [9]PORTA M.Visionbased user interfaces:methods and [25]TONG S,CHANG E.Support vector machine active applications[J].Int J Humarrcomputer Studies,2002, learning for image retrieval[A].ACM Multimedia[C]. 57(1):27.73. Ottawa,Canada,2001. [10]DURIC Z,GRA Y W,HEISHMAN R,et al.Integra- [26]TONG S,KOLL ER D.Support vector machine active ting perceptual and cognitive modeling for adaptive and learning with applications to text classification[A ]In- intelligent humamcomputer interaction [J].Proceedings ternational Conf on Machine Learning [C].Stanford, of the IEEE,2002,90(7):1272.1289 USA.2000. [11]OVIATT S,DARRELL T,FL ICKN ER M.Multimo- [27]VASCONCELOS N,LIPPMAN A.Bayesian relevance dal interfaces that flex,adapt,and persist [J ]Commu- feedback for content-based image retrieval [A].IEEE nications of the ACM,2004,47(1):30-75. Workshop CBAIVL[C].South Carolina,USA,2000. [12]KISACANIN B,PAVLOVIC V,HUANG T.Real- [28]WONG S,ZIARKO W,WONG P.Generalized vector 1994-2008 China Academic Journal Electronic Publishing House.All rights reserved.http://www.cnki.net

反馈信息量 ,结合使用反馈信息、多特征高层语义和 用户模型生成查询表达式. 2) 基于学习方法生成个 性化文件 :根据用户的操作行为、语言描述、专业领 域 ,采用基于学习的方法生成用户模型 ,构成个性化 文件 ,如感兴趣搜索词、图像特征或视频特征等 ,对 优化搜索结果、过滤非索要信息起到举足轻重的作 用. 3) 多模态人机交互 :融合多模态和综合使用人们 的各种感觉器官 ,使人机交互方式以人为中心、自 然、高效地交互 ,获得更多的用户语义信息 ,从而提 供拟人化的交互方式. 参考文献 : [1 ]沈兰荪 ,卓 力. 小波编码与网络视频传输[ M ]. 北京 : 科学出版社 ,2005. [2 ]L I Xiaohua , SHEN Lansun. Detecting faces in the wave2 let compressed domain [ A ]. In Proceedings of SPIE: Visual Communications and Image Processing 2005 [ C]. Beijing ,2005. [ 3 ]L IU Danghui , SHEN Lansun , LAN Kinman , et al. Face recognition based on illumination restoration[A ]. In Pro2 ceeding of 2004 International Symposium Multimedia : Video and Speech Proceeding [ C ]. Hong Kong , China , 2004. [4 ] FASEL B , LU ETTIN J. Automatic facial expression a2 nalysis: a survey[J ]. Pattern Recognition , 2003 , 36 (1) : 259 - 275. [5 ]OUDEVER P. The production and recognition of emo2 tions in speech : features and algorithms[J ]. Int J of Hu2 man2Computer Studies , 2003 , 59 (1 - 2) :157 - 183. [6 ] MARCEL S. Gestures for multi2modal interfaces: a re2 view[ R]. Technical Report IDIAP2RR 02 - 34 ,2002. [7 ] HU Weiming , TAN Tieniu , WAN G Liang , et al. A survey on visual surveillance of object motion and behav2 iors [J ]. IEEE Trans on Systems , Man , and Cybernet2 ics , 2004 , 34 (8) :3. [8 ]DUCHOWSKI A. A breadth2first survey of eye tracking applications [J ]. Behavior Research Methods , Instru2 ments , and Computer , 2002 , 34 (4) :455 - 470. [9 ] PORTA M. Vision2based user interfaces: methods and applications[J ]. Int J Human2computer Studies , 2002 , 57 (1) :27 - 73. [10 ]DURIC Z , GRA Y W , HEISHMAN R , et al. Integra2 ting perceptual and cognitive modeling for adaptive and intelligent human2computer interaction [J ]. Proceedings of the IEEE , 2002 , 90 (7) :1272 - 1289. [11 ]OVIA TT S , DARRELL T , FL ICKN ER M. Multimo2 dal interfaces that flex , adapt , and persist[J ]. Commu2 nications of the ACM , 2004 , 47 (1) : 30 - 75. [12 ] KISACANIN B , PAVLOVIC V , HUAN G T. Real2 time vision for human2computer interaction [ M ]. New York :Springer2Verlag ,2005. [13 ]QVARFORDT P , ZHAI Shumin. Conversing with the user based on eye2gaze patterns[ A ]. Conf Human2Fac2 tors in Computing System[C]. New York ,2005. [14 ] TUR K M , KOLSCH M. Perceptual interfaces [ M ]. Englewood Cliffs: Prentice Hall , 2004. [15 ] TUR K M , ROBERTSON G. Perceptual interfaces[J ]. Communications of the ACM , 2000 , 43 (3) :32 - 34. [16 ]SEL KER T. Visual attentive interfaces[J ]. BT Tech2 nology Journal , 2004 , 22 (4) :146 - 150. [17 ]CHEN J ,BOUMAN C ,DAL TON J. Hierarchical brow2 sing and search of large image databases [J ]. IEEE Trans Image Process , 2000 , 9 (3) : 442 - 445. [ 18 ]ISHIKAWA Y , SUBRAMAN YA R , FALOU TSOS C. MindReader : query databases through multiple exam2 ples[ A ]. International Conf on Very Large Data Bases (VLDB) [C]. New York , USA , 1998. [19 ]RU I Y , HUAN G T. Optimizing learning in image re2 trieval [ A ]. IEEE Conf Computer Vision and Pattern Recognition[C]. South Carolina , USA , 2000. [20 ] ZHOU X , HUAN G T. Small sample learning during multimedia retrieval using BiasMap [A ]. IEEE Int Conf Computer Vision and Pattern Recognition[ C]. Hawaii , USA , 2001. [21 ]CHEN Y , ZHOU X , HUAN G T. One2class SVM for learning in image retrieval [ A ]. International Conf on Image Processing[C]. Thessaloniki , 2001. [22 ]WU Y, TIAN Q , HUAN G T S. Discriminant EM al2 gorithm with application to image retrieval [ A ]. IEEE Conf Computer Vision and Pattern Recognition [ C ]. South Carolina , USA ,2000. [23 ] MACARTUR S , BRODL EY C , SH YU C. Relevance feedback decision trees in content2based image retrieval [ A ]. IEEE Workshop CBAIVL [ C ]. South Carolina , USA , 2000. [24 ] TIEU K , VIOLA P. Image retrieval [ A ]. IEEE Conf Computer Vision and Pattern Recognition [ C ]. South Carolina , USA , 2000. [25 ] TON G S , CHAN G E. Support vector machine active learning for image retrieval[ A ]. ACM Multimedia [ C]. Ottawa , Canada , 2001. [26 ] TON G S , KOLL ER D. Support vector machine active learning with applications to text classification[ A ]. In2 ternational Conf on Machine Learning [ C ]. Stanford , USA , 2000. [27 ]VASCONCELOS N , L IPPMAN A. Bayesian relevance feedback for content2based image retrieval [ A ]. IEEE Workshop CBAIVL [C]. South Carolina , USA , 2000. [28 ]WON G S , ZIAR KO W , WON G P. Generalized vector 第 4 期 张 菁 ,等 :图像搜索中人机交互技术的新进展 · 91 · © 1994-2008 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net

·20· 智能系统学报 第2卷 space model in information retrieval [A].Proceedings of [39]HONG P,HUANG T.Spatial pattern discovering by the 8th ACM SIGIR Conference on Research and Devel- learning the isomorphic subr graph from multiple attrib- opment in Information Retrieval C].Montreal,Cana- uted relation graphs[A].8th International Workshop on da,1985. Combinatorial Image Analysis C].Pniladelphia,USA, [29]RUI Y,HUANG T,ORTEGA M,et al.Relevance 2001. feedback:a power tool in interactive content-based im- [40]TSAI W,FU K.Error-correcting isomorphism of at- age retrieval [J].IEEE Trans Circuits System Video tributed relational graphs for pattern analysis[J].IEEE Technology,1998,8(5):644-655. Transaction System Man Cybern,1979,9(12):757- [30]PICARD R,MIN KA T,SZUMMER M.Modeling us- 768. er subjectivity in image libraries[A ]International Conf [41]0 YEKO YA O,STENTIFORD F.Eye tracking as a on Image Processing [C].Lausanne,Switzerland, new interface for image retrieval [J].BT Technology, 1996. 2004,22(7):161-169. [31]WOOD M,CAMPBELL N,THOMAS B.Iterative re- [42]KASTER T,PFEIFFER M,BAUCKHA GE C.Com- finement by relevance feedback in content-based digital bining speech and haptics for intuitive and efficient navi- image retrieval [A].ACM Multimedia [C].Bristol, gation through image databases[A].ICMI 2003 [C]. UK,1998. Vancouver,Canada,2003 [32]LAA KSONEN J,KOSKELA M,OJA E.PicSOM: 作者简介： self-organizing maps for content-based image retrieval [A ]INNSIEEE International Joint Conference on 张菁，女，1975年生，讲师，博士研 Neural Networks[C].Washington,DC,USA,1999. 究生，主要研究方向为多媒体信息检索， [33]SAL TON G.Automatic text processing[M].MA:Ad- 发表学术论文10余篇. disom Wesley,1989. Email :zhj @biut.edu.cn. [34]SCHETTINI R,CIOCCA G,GA GL IARDI I.Content- based color image retrieval with relevance feedback[A]. International Conf on Image Processing[C].Kobe,Ja- pan,1999. [35]GUO G,ZHANG H,LI S.Boosting for content-based 沈兰荪，男，1938年生，教授，博士生 audio classification and retrieval:an evaluation[R].Mi- 导师，主要研究方向为图像/视频信号处 crosoft Research Technical Report:MSR-TR-2001 理、传输、压缩与应用.发表学术论文300 15,2001. 余篇，撰写著作多部。 [36]XU Y.SABER E,TEKAL P A.Hierarchical content description and object formation by learning[A].IEEE Workshop CBAIVL[C].Colorado,USA,1999 David Dagan FENG,男，1950年生， [37]RA TAN A,GRIMSON M,LOZANO P.A framework 悉尼大学教授、香港理工大学教授， for learning query concepts in image classification[A]. ACS、ATSE、HKIE、IEE和IEEE会 IEEE Conf Computer Vision and Pattern Recognition 员，主要研究方向为生物医学和多媒体 [C].Fort Collins,USA,1999. 信息处理、功能图像、模拟与仿真、快速 [38 ]FORS YTH D,FL ECK M.Finding people and animals 算法与数据压缩等，发表学术论文300 by guided assembly [A].International Conf on Image 余篇 Processing[C].Santa Barbara,USA,1997. 1994-2008 China Academic Journal Electronic Publishing House.All rights reserved.hitp://www.cnki.net

space model in information retrieval[ A ]. Proceedings of the 8th ACM SIGIR Conference on Research and Devel2 opment in Information Retrieval [ C]. Montreal , Cana2 da , 1985. [29 ] RU I Y , HUAN G T , ORTEGA M , et al. Relevance feedback : a power tool in interactive content2based im2 age retrieval [J ]. IEEE Trans Circuits System Video Technology , 1998 , 8 (5) :644 - 655. [30 ] PICARD R , MIN KA T , SZUMMER M. Modeling us2 er subjectivity in image libraries[ A ]. International Conf on Image Processing [ C ]. Lausanne , Switzerland , 1996. [31 ]WOOD M , CAMPBELL N , THOMAS B. Iterative re2 finement by relevance feedback in content2based digital image retrieval [ A ]. ACM Multimedia [ C ]. Bristol , U K , 1998. [32 ] LAA KSON EN J , KOSKELA M , OJ A E. PicSOM : self2organizing maps for content2based image retrieval [ A ]. INNS2IEEE International Joint Conference on Neural Networks[C]. Washington , DC , USA , 1999. [33 ]SAL TON G. Automatic text processing[ M]. MA : Ad2 dison2Wesley , 1989. [34 ]SCHETTINI R , CIOCCA G, GA GL IARDI I. Content2 based color image retrieval with relevance feedback[ A ]. International Conf on Image Processing[ C]. Kobe , J a2 pan , 1999. [35 ] GUO G, ZHAN G H , L I S. Boosting for content2based audio classification and retrieval : an evaluation[ R]. Mi2 crosoft Research Technical Report : MSR2TR22001 - 15 ,2001. [36 ] XU Y, SABER E , TEKAL P A. Hierarchical content description and object formation by learning[ A ]. IEEE Workshop CBAIVL [C]. Colorado , USA , 1999. [37 ]RA TAN A , GRIMSON M , LOZANO P. A framework for learning query concepts in image classification [ A ]. IEEE Conf Computer Vision and Pattern Recognition [C]. Fort Collins , USA , 1999. [38 ] FORSYTH D , FL ECK M. Finding people and animals by guided assembly [ A ]. International Conf on Image Processing[C]. Santa Barbara , USA , 1997. [39 ] HON G P , HUAN G T. Spatial pattern discovering by learning the isomorphic sub2graph from multiple attrib2 uted relation graphs[A ]. 8th International Workshop on Combinatorial Image Analysis[ C]. Pniladelphia , USA , 2001. [ 40 ] TSAI W , FU K. Error2correcting isomorphism of at2 tributed relational graphs for pattern analysis[J ]. IEEE Transaction System Man Cybern , 1979 , 9 (12) : 757 - 768. [41 ] O YEKO YA O , STEN TIFORD F. Eye tracking as a new interface for image retrieval [J ]. BT Technology , 2004 , 22 (7) :161 - 169. [42 ] KASTER T , PFEIFFER M , BAUCKHA GE C. Com2 bining speech and haptics for intuitive and efficient navi2 gation through image databases [ A ]. ICMI 2003 [ C ]. Vancouver , Canada , 2003. 作者简介 : 张 菁 ,女 ,1975 年生 ,讲师 ,博士研 究生 ,主要研究方向为多媒体信息检索 , 发表学术论文 10 余篇. E2mail :zhj @biut. edu. cn. 沈兰荪 ,男 ,1938 年生 ,教授 ,博士生 导师 ,主要研究方向为图像/ 视频信号处 理、传输、压缩与应用. 发表学术论文 300 余篇 ,撰写著作多部. David Dagan FEN G,男 ,1950 年生 , 悉尼 大 学 教 授、香 港 理 工 大 学 教 授 , ACS、A TSE、H KIE、IEE 和 IEEE 会 员 ,主要研究方向为生物医学和多媒体 信息处理、功能图像、模拟与仿真、快速 算法与数据压缩等 ,发表学术论文 300 余篇. · 02 · 智 能 系 统 学 报 第 2 卷 © 1994-2008 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net