[發(fā)明專利]一種圖像的特征提取與分類聯(lián)合方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 201610192000.5
• 申請日: 2016-03-30
• 公開（公告）號: CN105608478B
• 公開（公告）日: 2019-12-06
• 發(fā)明（設(shè)計(jì)）人: 張召;張妍;李凡長;張莉;王邦軍
• 申請（專利權(quán)）人: 蘇州大學(xué)
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 11227 北京集佳知識產(chǎn)權(quán)代理有限公司
• 代理人: 常亮<國際申請>=<國際公布>=<進(jìn)入國

1.一種圖像特征提取與分類聯(lián)合方法，其特征在于，包括：

獲取訓(xùn)練樣本的近鄰樣本，構(gòu)造近鄰圖，并計(jì)算所述訓(xùn)練樣本的重構(gòu)系數(shù)矩陣，其中，所述訓(xùn)練樣本為圖像數(shù)據(jù)，所述圖像數(shù)據(jù)X的表達(dá)式如下：

X＝[x₁,x₂,...,x_N]∈i^n×N；

式中，n是圖像樣本的維度，N為樣本的數(shù)量，x₁,x₂,...,x_N為樣本數(shù)據(jù)，i為頂點(diǎn)；

根據(jù)所述重構(gòu)系數(shù)矩陣，基于核范數(shù)度量的近鄰重構(gòu)錯(cuò)誤最小化的非線性流形學(xué)習(xí)，對訓(xùn)練樣本進(jìn)行低維流形特征學(xué)習(xí)，得到一個(gè)能提取低維流行特征的線性投影矩陣，包括：基于凸優(yōu)化問題：

輸出所述線性投影矩陣；

其中，α為權(quán)衡參數(shù)，S為得到的重構(gòu)權(quán)重系數(shù)矩陣，|| ||_*表示矩陣的核范數(shù)，|| ||_F為矩陣Frobenius范數(shù)，Y^T-SY^T為近鄰重構(gòu)錯(cuò)誤，PX-Y為特征近似錯(cuò)誤，P為線性投影矩陣，Y為低維流行特征；

基于所述線性投影矩陣提取的低維流行特征對分類器進(jìn)行更新，通過最小化L2,1-范數(shù)正則化的分類錯(cuò)誤，完成分類器學(xué)習(xí)；

利用所述線性投影矩陣提取測試樣本的低維流行特征，利用學(xué)習(xí)后的分類器對測試樣本分類。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述獲取訓(xùn)練樣本的近鄰樣本，包括：

采用K最近鄰分類算法，得到訓(xùn)練樣本的K個(gè)近鄰樣本。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述計(jì)算重構(gòu)系數(shù)矩陣，包括：

基于計(jì)算公式：

計(jì)算重構(gòu)系數(shù)矩陣；

其中，其中，x_i和x_j分別為訓(xùn)練圖像樣本的第i,j個(gè)數(shù)據(jù)，NN(x_i)為訓(xùn)練圖像樣本x_i的近鄰集合，x_j∈NN(x_i)表示x_j為樣本x_i近鄰，|| ||表示向量的L₂范數(shù)。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述基于所述線性投影矩陣提取的低維流行特征對分類器進(jìn)行更新，通過最小化L2,1-范數(shù)正則化的分類錯(cuò)誤，完成分類器學(xué)習(xí)，包括；

基于凸優(yōu)化問題：

完成分類器的學(xué)習(xí)；

其中，W為分類器矩陣，β為權(quán)衡參數(shù)，H＝[h₁,h₂,K,h_N]∈^c×N為訓(xùn)練樣本的原始標(biāo)簽矩陣，其中h_j為樣本x_j的原始標(biāo)簽，c為類別數(shù)，對于每個(gè)有標(biāo)簽的數(shù)據(jù)x_j，如果x_j屬于類別i，其中，1≤i≤c，則h_i,j＝1，否則h_i,j＝0，|| ||_F表示Frobenius范數(shù)，|| ||_2,1表示L2,1-范數(shù)。