[發明專利]一種結合深度學習與稀疏表示的室內場景識別方法

有效

• 申請號: 201611120285.8
• 申請日: 2016-12-08
• 公開（公告）號: CN106650798B
• 公開（公告）日: 2019-06-21
• 發明（設計）人: 孫寧;朱小英;劉佶鑫;李曉飛
• 申請（專利權）人: 南京郵電大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/08
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 徐瑩

1.一種結合深度學習與稀疏表示的室內場景識別方法，其特征在于，包括以下步驟：

步驟A、從室內場景庫中隨機挑選若干張室內場景圖像作為訓練樣本，及將室內場景庫中剩余的室內場景圖像作為測試樣本；

步驟B、利用Fast-RCNN算法對所述訓練樣本和測試樣本進行物體類別判別和檢測，得到訓練樣本和測試樣本中每張室內場景圖像中包含的物體類別、位置和分值信息，以構建得到每張室內場景圖像的底層特征；

步驟C、利用詞袋模型根據所述訓練樣本和測試樣本中每張室內場景圖像的底層特征，構建得到每張室內場景圖像的中層特征, 具體包括步驟：

步驟C1、將每張室內場景圖像劃分成若干層，每個層劃分得到若干個子塊；

步驟C2、對各層中每個子塊內的每個像素點進行物體類別的判別，及結合判斷出的物體類別所對應的位置和分值信息獲得每個子塊的直方圖特征；

步驟C3、將所有層的所有子塊的直方圖特征串聯組成一個特征向量，以獲得室內場景圖像的中層特征；

步驟D、對所述訓練樣本中每張室內場景圖像的中層特征進行糅合，構建得到稀疏字典；

步驟E、利用所述稀疏字典對輸入的測試樣本進行稀疏表示，及根據求解出的稀疏解與所輸入的測試樣本計算得到殘差，并根據殘差的大小判斷測試樣本所屬的物體類別；

步驟F、將判斷得到測試樣本所屬的物體類別輸出。

2.根據權利要求1所述結合深度學習與稀疏表示的室內場景識別方法，其特征在于：所述步驟A還包括對每個室內場景圖像進行歸一化尺寸處理。

3.根據權利要求1所述結合深度學習與稀疏表示的室內場景識別方法，其特征在于：所述步驟D所構建得到過完備的稀疏字典。

4.根據權利要求1所述結合深度學習與稀疏表示的室內場景識別方法，其特征在于：所述步驟E根據殘差最小值判斷測試樣本所屬的物體類別。