[發明專利]基于核范數正則化的低秩圖像特征提取的識別方法及系統

有效

• 申請號: 201610076336.5
• 申請日: 2016-02-03
• 公開（公告）號: CN105740912B
• 公開（公告）日: 2019-07-19
• 發明（設計）人: 張召;江威明;李凡長;張莉;王邦軍
• 申請（專利權）人: 蘇州大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/46
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 羅滿

本申請公開了一種基于核范數正則化的低秩圖像特征提取的識別方法及系統，首先對原始訓練圖像進行相似性學習，構造重構權重系數，再通過最小化基于核范數度量的鄰域重構錯誤，并對投影矩陣進行核范數正則化處理，得到可直接提取二維圖像特征的低秩投影矩陣，可有效保持圖像像素間的拓撲結構和相關性。此外可確保優化得到低秩的顯著圖像特征。將原始測試圖像直接向訓練得到的低秩投影矩陣進行嵌入，輸出其低秩顯著特征，基于訓練集中的低秩顯著特征，利用最近鄰分類器進行分類，取與測試圖像樣本的特征相似性最大的訓練圖像樣本的類別標簽，完成測試圖像樣本歸類。通過引入核范數正則化，可有效保證特征提取過程中噪聲的魯棒性，系統性能更好。

技術領域

本發明涉及計算機視覺與圖像識別技術領域，特別涉及一種基于核范數正則化的低秩圖像特征提取的識別方法及系統。

背景技術

隨著信息時代的飛速發展，數據與信息的高效處理在科學發展的重要性與日俱增。特征提取技術作為一個數據預處理步驟，在計算機視覺、數據挖掘和圖像處理等領域的研究中扮演重要角色。特征提取是將給定的高維數據嵌入到低維表示空間的同時，有效保留原有數據幾何結構的一項技術。該項技術在機器視覺系統與圖像處理有著重大的意義，在實際應用中，所產生的社會與經濟效益也是不可估量的。然而，大多圖像本身除了包含有用信息，還夾雜很多不利特征，這就使得提取顯著特征的難度大大增加。到目前為止，特征提取還有很大的發展空間，且由于其巨大的實用價值與研究價值，越來越多研究者投身于此，并不斷優化現有技術以提取更為顯著特征。

近年來，許多流行的特征提取方法如PCA(PCA，即Principal ComponentAnalysis，主成分分析),LPP(LPP，即Locality Preserving Projections，局部保持投影),NPP(NPP，即Neighborhood Preserving Projections，領域保持投影)等相繼被提出，這些發明方法基于數據的向量空間進行特征提取，但是這樣會破壞圖像的拓撲結構，且處理高維數據開銷太大。因此，大多數學者開始著眼于保留圖像的拓撲結構以實現直接從二維圖像矩陣中直接提取特征，許多基于二維特征的提取方法也已經相繼被提出，其中較為經典的有2DPCA,2DLPP,2DNPP等，但是這些方法都使用了對噪聲和異類數據非常敏感的Frobenius范數度量鄰域重構錯誤，使得這些方法都存在一定的缺陷。

因此，提出更可靠的度量重構錯誤方法，以保持圖像拓撲結構的同時提升系統的可靠性與魯棒性，增強分類性能，是本領域人員亟待解決的問題。

發明內容

有鑒于此，本發明的目的在于提供一種基于核范數正則化的低秩圖像特征提取的識別方法及系統，克服了現有模型對噪聲和異類數據非常敏感等問題，同時提高了算法的魯棒性，實現了更為有效的圖像特征提取方案。其具體方案如下：

一種基于核范數正則化的低秩圖像特征提取的識別方法，包括：

對原始訓練圖像樣本進行相似性學習，使用重構權重方法重構權重系數，通過最小化基于核范數度量的鄰域重構錯誤以優化投影矩陣，并對所述投影矩陣進行核范數正則化，相應地得到可用于直接提取二維圖像特征的低秩投影矩陣；

利用所述低秩投影矩陣，分別對原始訓練圖像樣本和原始測試圖像樣本進行特征提取，相應地得到包含低秩顯著特征的訓練集和測試集；

將所述測試集中每一測試圖像樣本的低秩顯著特征輸入至最近鄰分類器以進行分類，從所述訓練集中提取出與測試圖像樣本的特征相似性最大的訓練圖像樣本的類別標簽，并將該類別標簽作為對應的測試圖像樣本的類別標簽，以完成對所述測試集中每一測試圖像樣本的類別鑒定，得到相應的識別結果。

優選的，所述對原始訓練圖像樣本進行相似性學習，使用重構權重方法重構權重系數，通過最小化基于核范數度量的鄰域重構錯誤以優化投影矩陣，并對所述投影矩陣進行核范數正則化，相應地得到可用于直接提取二維圖像特征的低秩投影矩陣的過程，包括：