[發(fā)明專利]基于空間約束特征選擇及其組合的中國剪紙識別方法

有效

• 申請?zhí)枺?/td>: 201010169505.2
• 申請日: 2010-05-11
• 公開（公告）號: CN101853398A
• 公開（公告）日: 2010-10-06
• 發(fā)明（設(shè)計）人: 邵健;莊越挺;王霏
• 申請（專利權(quán)）人: 浙江大學(xué)
• 主分類號: G06K9/66
• 分類號: G06K9/66
• 代理公司: 杭州求是專利事務(wù)所有限公司 33200
• 代理人: 張法高

1.一種基于空間約束特征選擇及其組合的中國剪紙識別方法，其特征在于包括如下步驟：

1)采用空間金字塔匹配和上下文相關(guān)直方圖相結(jié)合的方法提取樣本初始特征，形成樣本候選特征；

2)利用基于AdaBoost的特征選擇和組合技術(shù)對樣本候選特征進(jìn)行處理，得到樣本區(qū)別性特征；

3)通過每一類中所有組合特征的中心特征向量、區(qū)別性特征以及定義其上的距離計算公式來表征該類；

4)計算測試集樣本在區(qū)別性特征上與各類別中心特征的距離，得到剪紙作品分類識別結(jié)果。

2.根據(jù)權(quán)利要求1所述的一種基于空間約束特征選擇及其組合的中國剪紙識別方法，其特征在于所述的采用空間金字塔匹配和上下文相關(guān)直方圖結(jié)合的方法提取樣本初始特征，形成樣本候選特征步驟包括：對于給定的M幅剪紙圖像s_i{1≤i≤M}，分別提取128維的SIFT局部特征，進(jìn)而用K-means聚類得到32個視覺單詞。為了得到這些視覺單詞之間存在的空間結(jié)構(gòu)性屬性，對訓(xùn)練集樣本通過采樣得到3層金字塔，l代表空間金字塔的第l層(l≥0)，d代表第l層單元格的總數(shù)，d＝2^l×2^l，這樣每幅剪紙圖像總共得到(4^l-1)/3個子塊。對于這些(4^l-1)/3個子塊，在其每一個子塊內(nèi)，定義馬爾可夫穩(wěn)態(tài)特性，來計算得到表示視覺單詞之間共生關(guān)系的伴隨矩陣，這樣，對于每幅圖像，可提取出具有空間約束的特征維數(shù)為Z，這里Z＝∑_l64×(4^l-1)/3。

3.根據(jù)權(quán)利要求1所述的一種基于空間約束特征選擇及其組合的中國剪紙識別方法，其特征在于所述的利用基于AdaBoost的特征選擇和組合技術(shù)對樣本候選特征進(jìn)行處理，得到樣本區(qū)別性特征步驟包括：對于第j類剪紙圖像每一輪對任意兩維特征進(jìn)行組合，并連同原特征一起作為候選特征。給定N類M幅剪紙圖像s_i{1≤i≤M}，其類別標(biāo)記矩陣記為T：

T＝{t_ij∈{0，1}|1≤i≤M，1≤j≤N}

其中，i和j分別用來表示第i幅剪紙圖像和第j個類別；如果第i幅剪紙圖像屬于第j個類別，則t_ij＝1，否則t_ij＝0，仍然以第j類剪紙圖像為例來介紹其對應(yīng)的區(qū)別性特征選擇過程，在訓(xùn)練分類器之前，用w_ij表示屬于第j個類別的第i幅剪紙加權(quán)計算簡單分類器誤差權(quán)重，即W＝{w_ij|1≤i≤M，1≤j≤N}，它表征了簡單分類器對總體分類的影響，其初始值定義如下：

wij=Σi=1Mtij2Mif(tij=0)M-Σi=1Mtij2Mif(tij=1)]]>

首先應(yīng)用AdaBoost的思想，對組合出來的待選擇特征V(即特征組合過程中的一種組合特征)中各分量v_ik構(gòu)造簡單分類器，該分類器定義如下：

FSCik=1if(sort(|vik-cjk|)<count(tj))0if(sort(|vik-cjk|)>count(tj))]]>

其中sort(|v_ik-c_jk|)的表示分量v_ik與類中心歐氏距離排序后的排名。count(t_j)表示第j類樣本數(shù)。利用上述分類器對待選擇特征V進(jìn)行分類，得到分類結(jié)果集：

R＝{r_ik∈{0，1}|1≤i≤M，1≤k≤N}

每個特征分量計算訓(xùn)練誤差定義為：

E={e=Σi=1Mwij×|rik-tik|}]]>

其計算過程中，每次計算需依照以下公式更新權(quán)值w_ij，

wij=wij′×(e1-e)1-|rik-tik|Σi=1Mwij′×(e1-e)1-|rik-tik|]]>

得到候選特征V各分量分類誤差后，對其按照該分類誤差進(jìn)行排序，選取V中誤差最小前Z個分量構(gòu)成第j類剪紙圖像的一種區(qū)別性特征。