[發明專利]基于監督流形學習的場景分類方法及裝置

有效

• 申請號: 201110202756.0
• 申請日: 2011-07-19
• 公開（公告）號: CN102254194A
• 公開（公告）日: 2011-11-23
• 發明（設計）人: 戴瓊海;錢彥君;劉燁斌
• 申請（專利權）人: 清華大學
• 主分類號: G06K9/66
• 分類號: G06K9/66
• 代理公司: 北京清亦華知識產權代理事務所(普通合伙) 11201
• 代理人: 張大威

1.一種基于監督流形學習的場景分類方法，其特征在于，包括以下步驟：

1)輸入人工標注了場景類別的N個訓練圖像，其中場景類別為C個，N是大于等于1的整數；

2)提取所述N個訓練圖像的S個SIFT特征并獲取由所述S個SIFT特征的M個聚類中心組成的碼本，其中每個聚類中心是一個碼字，其中S是大于等于N的整數；

3)對于每個場景類別，將SIFT特征和碼字作為節點，建立有監督的譜圖G＝（V，E)并獲取與V對應的權重矩陣W，所述權重矩陣W用于表示與每個場景類別對應的流形結構，V是譜圖中所有節點的集合，E是節點間相鄰邊的集合；

4)獲取每個流形結構上的各個SIFT特征到所述M個碼字的度量；

5)輸入新的訓練圖像或測試圖像；

6)獲取所述新的訓練圖像或測試圖像上的SIFT特征在C個流形結構上到所述M個碼字的度量；

7)計算所述新的訓練圖像或測試圖像上的SIFT特征到所述M個碼字的隸屬度并得到C個直方圖向量；以及

8)利用支持向量機對所述C個直方圖向量進行學習，得到每個場景類別的判斷模型。

2.根據權利要求1所述的基于監督流形學習的場景分類方法，其特征在于，在所述步驟2)中利用K-means算法將所述S個SIFT特征聚類。

3.根據權利要求1所述的基于監督流形學習的場景分類方法，其特征在于，步驟3)包括以下步驟：

31)計算兩兩節點之間的歐式距離；

32)根據計算的距離，找到每一個節點的K近鄰；

33)構建與每個節點對應的權重矩陣W，用于表示節點之間的關系，所述權重矩陣W表達如下：

4.根據權利要求1所述的基于監督流形學習的場景分類方法，其特征在于，步驟4)包括：

使用測地距離或者擴散圖獲取每個流形結構上的各個SIFT特征到所述M個碼字的度量，其中度量越小則相似程度越大，度量越大則相似程度越小。

5.根據權利要求4所述的基于監督流形學習的場景分類方法，其特征在于，所述步驟6)包括：對于所述新的訓練圖像或測試圖像上的每個SIFT特征，在每個流形結構上，找到離所述每個SIFT特征最近的SIFT特征，利用所述最近的SIFT特征到所述M個碼字的度量，進行線性插值，從而得到所述每個SIFT特征到所述M個碼字的度量。

6.根據權利要求1所述的基于監督流形學習的場景分類方法，其特征在于，所述步驟7)包括：對所述度量利用負指數函數進行懲罰，得到相應的隸屬度。

7.根據權利要求1所述的基于監督流形學習的場景分類方法，其特征在于，所述步驟7)包括根據預定順序把所述C個直方圖向量拼接起來，所述步驟8)包括利用支持向量機對拼接起來的C個直方圖向量進行學習，得到每個場景類別的判斷模型。

8.一種基于監督流形學習的場景分類裝置，其特征在于，包括：

輸入模塊，所述輸入模塊用于輸入人工標注了場景類別的N個訓練圖像，其中場景類別為C個，所述輸入模塊還用于輸入新的訓練圖像或測試圖像，其中N是大于等于1的整數；

碼本獲取模塊，所述碼本獲取模塊用于提取所述N個訓練圖像的S個SIFT特征并獲取由所述S個SIFT特征的M個聚類中心組成的碼本，其中每個聚類中心是一個碼字，其中S是大于等于N的整數；

權重矩陣構建模塊，對于每個場景類別，所述矩陣構建模塊用于將SIFT特征和碼字作為節點，建立有監督的譜圖G＝(V，E)并獲取與V對應的權重矩陣W，所述權重矩陣W用于表示與每個場景類別對應的流形結構，V是譜圖中所有節點的集合，E是節點間相鄰邊的集合；

度量獲取模塊，所述度量獲取模塊用于獲取每個流形結構上的各個SIFT特征到所述M個碼字的度量；

隸屬度計算模塊，所述隸屬度計算模塊計算所述新的訓練圖像或測試圖像上的SIFT特征到所述M個碼字的隸屬度并得到C個直方圖向量；以及

判斷模型獲取模塊，所述判斷模型獲取模塊利用支持向量機對所述C個直方圖向量進行學習，得到每個場景類別的判斷模型。

9.根據權利要求8所述的基于監督流形學習的場景分類裝置，其特征在于，所述碼本獲取模塊利用K-means算法將所述S個SIFT特征聚類。