[發明專利]基于SRC與MFA相結合的圖像分類方法

有效

• 申請號: 201510230206.8
• 申請日: 2015-05-07
• 公開（公告）號: CN104794498B
• 公開（公告）日: 2018-08-03
• 發明（設計）人: 劉陽;高全學;高新波;王勇;王前前
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 王品華;張問芬

本發明公開了一種基于SRC與MFA相結合的圖像分類方法，主要解決現有特征提取方法因為僅考慮重構關系或局部判別結構，無法準確描述樣本信息導致圖片分類結果不理想的問題。其實現步驟是：1.輸入訓練樣本和測試樣本，構造同類和不同類樣本矩陣，并初始化投影矩陣；2.對訓練樣本進行投影，分別以同類和不同類樣本做字典，求解樣本的稀疏表示系數，構造同類和不同類樣本的稀疏權重矩陣；3.構造目標函數求解新的投影矩陣；4.對步驟2?3進行迭代，直至循環次數大于給定初始值，輸出最終投影矩陣，對測試樣本投影；5.利用稀疏表示分類器對測試樣本分類。本發明增強了圖像分類的準確性，可用于警務系統中人物身份的判別或影像拍攝中物體的查找。

技術領域

本發明屬于圖像處理技術領域，特別涉及圖像的分類方法，可用于警務系統中人物身份的判別或者影像拍攝等領域中物體的查找。

背景技術

圖像分類是機器學習、模式識別和計算機視覺領域既熱門又具有挑戰性的研究方向之一。圖像分類技術因具有簡單、高效、安全、低成本等優勢現在已經廣泛應用在智能交通、公安、生物醫學、電子商務、遙感技術、軍事和多媒體網絡通信等領域。圖像往往會受到視角、光照、遮擋等成像因素的影響，這給圖像的分類帶來了很大的挑戰。圖像分類屬于高維空間下的模式識別問題。因此在對圖像進行識別時其首先要對圖像進行特征提取，然后在低維的子空間進行分類判別。到目前為止，各種特征提取的方法在圖像識別領域得到了廣泛的應用。

2007年，顏水成等人提出了一種用于圖像分類的邊界Fisher分析方法MFA，該方法是基于傳統的線性判別分析LDA和圖模型理論提出的，其根本目的就是在一個適當鄰域內將同類樣本拉近，不同類樣本拉遠，從而起到更好的樣本分類效果。但是MFA方法存在很大缺陷。2009年，Wright等人提出一種基于信號稀疏表示的分類方法SRC，成功地將壓縮感知理論應用到圖像識別中。該方法基于采樣稀疏信號表示理論，將圖像識別看作多個線性回歸模型的分類問題，測試樣本可以用訓練樣本庫中同類樣本的線性組合來表示。因此從整個樣本集的角度來看，線性加權的系數自然是稀疏的，于是就可將稀疏重構問題轉化為L1范數優化問題。2010年，喬立山等人提出了稀疏保持投影SPP，它是在流形稀疏表示的框架下，構建數據集的緊鄰權重矩陣。最近，楊健等人基于SRC理論提出了基于判別投影的稀疏表示分類器方法SRC-DP，該方法主要基于殘差準則進行類別重建，從而實現特征提取的目的。

MFA方法在構建鄰域權重圖時，是通過歐式距離來判定鄰域間的關系，但是歐式距離下最近鄰的樣本往往并非同類樣本，因此在應用于分類時結果有時并不理想。MFA方法嚴重依賴人工參數的選擇，如果前期不能對參數有較好的預判，則分類的效果同樣不好。除此之外，用這種方法在進行圖像識別時，由于只考慮樣本的局部判別信息，而沒有從重構的角度對樣本進行分析，從而導致分類的結果也不理想。

SRC-DP方法存在有以下兩方面的缺陷：

一是由于僅僅考慮了數據的重構問題，忽略了數據的局部判別信息，從而使得整體分類結果不理想。

二是由于僅考慮重構殘差，不能更好地描述判別結構，特別是在類別數較大的情況下，SRC-DP方法不能進行有效的識別。

發明內容

本發明的目的在于克服上述已有技術的不足，提出一種基于SRC與MFA相結合的圖像特征提取方法，以在圖像類別數較多的情況下，提高圖像的識別率。

本發明的技術關鍵是：在考慮對數據重構問題的同時，加上了對數據局部判別結構的分析，其實現步驟包括如下：

(2)定義同類和不同類樣本矩陣：

令A_d表示與原始空間訓練樣本不同類的樣本矩陣，即