[發明專利]一種基于有監督學習概率主題模型的地點圖像識別方法有效
| 申請號： | 201410064526.6 | 申請日： | 2014-02-25 |
| 公開（公告）號： | CN103810500B | 公開（公告）日： | 2017-04-05 |
| 發明（設計）人： | 楊金福;解濤;趙偉偉;李明愛;高晶鈺;張濟昭 | 申請（專利權）人： | 北京工業大學 |
| 主分類號： | G06K9/62 | 分類號： | G06K9/62;G06K9/46 |
| 代理公司： | 北京思海天達知識產權代理有限公司11203 | 代理人： | 張慧 |
| 地址： | 100124 *** | 國省代碼： | 北京;11 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 一種 基于 監督 學習 概率 主題 模型 地點 圖像 識別 方法 | ||
1.一種基于有監督學習概率主題模型的地點圖像識別方法，其特征在于，通過采用sLDA模型代替LDA模型識別測試集中未知的地點圖像；所述方法包括以下步驟：
步驟1，通過安裝在機器人上的標準攝像頭獲取訓練圖像集和測試圖像集；
步驟2，圖像預處理，將獲取的圖像灰度化；
步驟3，采用SIFT對圖像進行局部特征檢測和描述；
包括圖像關鍵點檢測以及將關鍵點表示為128維的特征描述子；
步驟4，生成“詞袋”；
將步驟3提取的所有訓練集圖像的局部特征通過k-means算法進行聚類，然后將若干聚類中心作為“詞袋”中的詞，建立“詞袋”；
步驟5，使用“詞袋”中的詞對圖像進行描述；
將訓練圖像集和測試圖像集中的每幅圖像的局部特征用“詞袋”中的詞進行描述，得到“詞袋”中詞的頻數向量；
步驟6，建立有監督學習的潛在主題模型；
將步驟5中得到的圖像的詞頻數向量作為輸入潛在主題模型輸入變量，設定潛在主題的數目，采用mean-field?variational算法對有監督學習的潛在主題模型的參數進行學習，得到圖像的類別響應；
步驟7，識別未知圖像；
圖像類別為sLDA模型中響應變量達到最大期望值時類別值，用公式表示為：
其中，c*為圖像的類別。
2.根據權利要求1所述的一種基于有監督學習概率主題模型的地點圖像識別方法，其特征在于，所述步驟6建立有監督學習的潛在主題模型的方法包括以下步驟：
步驟6.1，生成圖像主題分布參數；
圖像主題分布概率θd的先驗分布服從參數為α的Dirichlet分布，即θd～Dir(α)；
步驟6.2，生成圖像特征參數；
圖像的第n個特征wd,n對應的主題為zd,n，zd,n服從參數為θd的Multinomial分布，即zd,n～Mult(θd)；圖像的第n個特征wd,n在主題zd,n下的概率服從參數為的Multinomial分布，即
步驟6.3，生成圖像類別標簽；
圖像類別cd服從參數為的softmax回歸，即其中
第d幅圖像屬于類別c的概率為：
其中，為第d幅圖像的特征向量，c為第d幅圖像的類別；
在sLDA模型中，根據圖像的特征信息很難計算主題概率的后驗分布因此采用mean-field?variational算法近似計算上述后驗分布；Variational算法假設隱含變量的概率分布是一些相互獨立變量的條件分布，然后通過最小化KL距離來近似真實的后驗條件分布；mean-field?variational分布為使用mean-field?variational算法時sLDA模型中隱變量的概率分布，即其中γ是變分Dirichlet參數，φn是K個主題的變分多項式分布參數；用mean-field?variational算法估計sLDA模型參數的方法如下：
（1）估算γ和φn；
根據variational算法得到變分目標函數，即似然函數，其表達式為：
通過最大化上述似然函數的近似下界函數L(γ,φn;α,π,η)，計算隱變量的參數γ和φn，使其分布在當前sLDA模型參數下盡可能逼近其真實分布，公式如下：
其中，i表示的是主題，c表示的是類別，為上一次迭代過程中的φn值，h為便于sLDA模型中參數φn計算進而假設的參數，滿足
（2）估算π和η；
用γ和φn更新π和η，公式如下：
η＝(E[ATA])-1E[A]Ty
其中，i表示主；y為圖像類別響應函數，且滿足A是為了便于sLDA模型中參數η計算假設的參數，滿足
重復上述（1）、（2）兩個步驟，直至隱變量γ和φn收斂。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于北京工業大學，未經北京工業大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201410064526.6/1.html，轉載請聲明來源鉆瓜專利網。
