[發(fā)明專(zhuān)利]一種自適應(yīng)多特征融合的圖像特征學(xué)習(xí)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201310342023.6
• 申請(qǐng)日: 2013-08-07
• 公開(kāi)（公告）號(hào): CN103426006A
• 公開(kāi)（公告）日: 2013-12-04
• 發(fā)明（設(shè)計(jì)）人: 毛金蓮
• 申請(qǐng)（專(zhuān)利權(quán)）人: 浙江商業(yè)職業(yè)技術(shù)學(xué)院
• 主分類(lèi)號(hào): G06K9/66
• 分類(lèi)號(hào): G06K9/66
• 代理公司: 杭州求是專(zhuān)利事務(wù)所有限公司 33200
• 代理人: 張法高

技術(shù)領(lǐng)域

本發(fā)明涉及稀疏表達(dá)，圖學(xué)習(xí)，特征學(xué)習(xí)，尤其涉及多特征融合的圖像特征學(xué)習(xí)。

背景技術(shù)

在計(jì)算機(jī)視覺(jué)、模式識(shí)別和信息檢索領(lǐng)域中，由于不可避免地面臨著語(yǔ)義鴻溝問(wèn)題，即底層特征無(wú)法充分準(zhǔn)確地表達(dá)高層語(yǔ)義信息；因此，為了盡可能全面準(zhǔn)確地表達(dá)所要描述的對(duì)象，常會(huì)對(duì)該對(duì)象提取多種類(lèi)型的視覺(jué)特征，從不同視角來(lái)對(duì)其進(jìn)行表達(dá)。例如：在圖像分類(lèi)中，對(duì)彩色圖像常會(huì)提取其顏色直方圖特征、輪廓矩特征、紋理特征、sift點(diǎn)特征等。與傳統(tǒng)的基于單類(lèi)型特征表達(dá)對(duì)象不同，這些特征數(shù)據(jù)，分布在不同的特征空間中，具有其內(nèi)在統(tǒng)計(jì)特性和現(xiàn)實(shí)物理意義，其表達(dá)能力（或辨別能力）也存在差異性。為了充分利用不同特征的特性，加速算法處理，常常需要依據(jù)這些多特征進(jìn)行多特征學(xué)習(xí)，得到最優(yōu)的低維特征表達(dá)。

研究者們希望通過(guò)利用多特征學(xué)習(xí)充分發(fā)掘出不同特征間的互補(bǔ)信息，從而得到一個(gè)比直接利用單特征學(xué)習(xí)更加好的低維嵌套結(jié)果。在已有的算法中，譜嵌套算法具有非常重要的地位。然后，傳統(tǒng)的譜嵌套算法都是假設(shè)數(shù)據(jù)是分布在同一個(gè)向量空間中，因而無(wú)法直接應(yīng)用到多特征學(xué)習(xí)中。目前存在的解決辦法有兩個(gè)：一個(gè)是將不同的特征先拼接起來(lái)，然后進(jìn)行譜嵌套學(xué)習(xí)。顯然這種做法缺乏明確的物理意義支持。另外一種做法是使用分布式譜嵌套學(xué)習(xí)（DSE）算法，對(duì)不同的特征分別進(jìn)行學(xué)習(xí)。然而這種方法中原始的多特征數(shù)據(jù)對(duì)于最終的學(xué)習(xí)過(guò)程是不可見(jiàn)的，無(wú)法充分有效地利用不同特征間的互補(bǔ)信息。在Long等人提出的多特征學(xué)習(xí)通用模型的影響下，Xia等人提出了一個(gè)多特征譜嵌套算法，同時(shí)在不同特征學(xué)習(xí)得到一個(gè)低維的、足夠平滑的嵌套，從而充分有效地利用不同特征間的互補(bǔ)信息。

然而，由于絕大部分多視角學(xué)習(xí)算法都是基于譜圖理論發(fā)展而來(lái)的，其算法的一個(gè)核心部分是利用各種準(zhǔn)則構(gòu)建表達(dá)數(shù)據(jù)間空間結(jié)構(gòu)關(guān)系的鄰接矩陣（相似矩陣）。鄰接矩陣的構(gòu)造算法的有效性對(duì)于整個(gè)算法的性能起到至關(guān)重要的作用。目前廣泛使用的兩種鄰接矩陣構(gòu)建方法：基于K近鄰和基于熱核（heat?kernel）的構(gòu)圖方法，都不是數(shù)據(jù)自適應(yīng)的構(gòu)圖方法。前者需要預(yù)先設(shè)置近鄰節(jié)點(diǎn)數(shù)目k，而后者需要設(shè)置核參數(shù)。在實(shí)際應(yīng)用中，這兩個(gè)參數(shù)的設(shè)置往往是憑借經(jīng)驗(yàn)或者是利用交叉驗(yàn)證的方式來(lái)選擇最佳的參數(shù)，缺乏簡(jiǎn)單直接的方法來(lái)獲得最佳參數(shù)。與此同時(shí)，這類(lèi)基于圖的算法，對(duì)于這兩個(gè)參數(shù)的選擇有時(shí)又是非常敏感的。參數(shù)選擇的好壞直接影響到算法的性能。因此，前面所提到的幾個(gè)已有工作都受到缺乏數(shù)據(jù)自適應(yīng)性問(wèn)題的困擾。如何構(gòu)建具有數(shù)據(jù)自適應(yīng)性的圖，提高算法的自適應(yīng)性，是一個(gè)迫切需要解決的問(wèn)題。

近些年來(lái)，L1范數(shù)在稀疏表達(dá)和壓縮感知研究領(lǐng)域中受到廣泛關(guān)注。不同于傳統(tǒng)的L2范數(shù)約束，L1范數(shù)約束可以使得問(wèn)題的解變得稀疏，具有更強(qiáng)的抗噪能力。根據(jù)Cheng等人的研究表明，L1圖具有三個(gè)重要特性：（1）抗噪聲能力強(qiáng)；（2）稀疏性；（3）數(shù)據(jù)自適應(yīng)的鄰域關(guān)系。

承上所述，為了克服傳統(tǒng)的基于圖的多特征學(xué)習(xí)算法自適應(yīng)性差的問(wèn)題，本文所提出的自適應(yīng)多特征融合的圖像特征學(xué)習(xí)方法是依據(jù)L1范數(shù)具有自動(dòng)數(shù)據(jù)樣本選擇的特性，首先從圖像上分別提取多種類(lèi)型的圖像視覺(jué)特征，接著對(duì)每一種視覺(jué)特征分別采用L1范數(shù)約束的數(shù)據(jù)稀疏表達(dá)，構(gòu)建有向L1圖，將L1圖所具有的優(yōu)良特性融入到多特征學(xué)習(xí)算法中，并最下化各種特征下的數(shù)據(jù)在低維空間上的重建誤差，其次引入特征權(quán)重向量對(duì)所有特征做全局坐標(biāo)對(duì)齊操作，得到自適應(yīng)多特征融合的圖像特征選擇方法的目標(biāo)函數(shù)，最后優(yōu)化求解該目標(biāo)函數(shù)，可以自適應(yīng)地從原始多種圖像特征基礎(chǔ)上學(xué)習(xí)得到圖像最優(yōu)的低維特征表達(dá)。

發(fā)明內(nèi)容

本發(fā)明的目的是克服現(xiàn)有技術(shù)的不足，提出一種自適應(yīng)多特征融合的圖像特征學(xué)習(xí)方法。

自適應(yīng)多特征融合的圖像特征學(xué)習(xí)方法在于包括如下步驟：

1)從N幅圖像上分別提取K種類(lèi)型的圖像視覺(jué)特征其中為第i幅圖像上所提取的第v種類(lèi)型的視覺(jué)特征；

2)依據(jù)L1范數(shù)具有自動(dòng)數(shù)據(jù)特征選擇的特性，對(duì)每一種視覺(jué)特征分別采用L1范數(shù)約束的數(shù)據(jù)稀疏表達(dá)：