[發(fā)明專利]基于Fisher判別字典學(xué)習(xí)的倉庫貨品識(shí)別方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201611140174.3
• 申請(qǐng)日: 2016-12-12
• 公開（公告）號(hào): CN106778863A
• 公開（公告）日: 2017-05-31
• 發(fā)明（設(shè)計(jì)）人: 劉毅敏;苗姣姣;梁柏華
• 申請(qǐng)（專利權(quán)）人: 武漢科技大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06Q10/08;G06Q50/28
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術(shù)領(lǐng)域

本發(fā)明屬于倉庫貨品識(shí)別技術(shù)領(lǐng)域，尤其涉及一種基于Fisher判別字典學(xué)習(xí)的倉庫貨品識(shí)別方法。

背景技術(shù)

倉庫是物資集中儲(chǔ)存的場(chǎng)所，包括國(guó)家、集體或個(gè)體經(jīng)營(yíng)儲(chǔ)存物品的各類倉庫、堆棧、貨場(chǎng)等。日常工作的重要內(nèi)容是為物流與供應(yīng)鏈系統(tǒng)服務(wù)，所以對(duì)倉庫貨品的管理有很高的要求。目前，很多倉庫管理工作采用人工的方式，要付出大量人力填寫各種表格、憑證、賬冊(cè)、卡片和文件。由于信息是隨著時(shí)間不斷變化的，所以倉庫數(shù)據(jù)要按照不同的分類經(jīng)常不斷地匯總、統(tǒng)計(jì)，往往要做許多重復(fù)登記和轉(zhuǎn)抄。這種手工操作的管理方式不僅浪費(fèi)人力，而且存在著處理速度慢、易出現(xiàn)錯(cuò)誤、不便于查詢及缺乏綜合性等缺點(diǎn)，大大降低了信息的利用價(jià)值，很難適應(yīng)現(xiàn)代倉庫管理工作的需要。隨著企業(yè)現(xiàn)代化生產(chǎn)的不斷擴(kuò)大，倉庫的規(guī)模化也得到了快速發(fā)展，貨品的準(zhǔn)確快速分類識(shí)別越來越受重視，同時(shí)也是實(shí)現(xiàn)智能化倉庫的前提和基礎(chǔ)。傳統(tǒng)的識(shí)別方法遵循先提取特征、后輸入分類器模式的一般研究規(guī)律。即先采用SIFT、SURT以及紋理或顏色等進(jìn)行特征提取，然后采用人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等人工智能方法進(jìn)行分類識(shí)別。此類識(shí)別方法具有各自的特點(diǎn)和應(yīng)用局限性，并且受選取的特征影響很大，增加了識(shí)別的復(fù)雜性。

隨著壓縮感知理論的提出，采用稀疏表示來解決識(shí)別問題成為了熱點(diǎn)。在過去的幾年里，稀疏信號(hào)表示已廣泛應(yīng)用于數(shù)字信號(hào)處理領(lǐng)域，例如：壓縮感知和圖像恢復(fù)。Wright等率先將稀疏表示方法引入到人臉識(shí)別中，提出了基于稀疏表示的人臉識(shí)別方法(sparse representation based classification,SRC)。SRC直接用訓(xùn)練樣本構(gòu)造字典矩陣，通過L1范數(shù)最小化計(jì)算待測(cè)試樣本的稀疏表示系數(shù)，最后根據(jù)各類別對(duì)應(yīng)的稀疏系數(shù)計(jì)算重構(gòu)誤差，得到分類結(jié)果。在稀疏表示中，構(gòu)造好的字典起著重要的作用。構(gòu)建稀疏編碼字典的方法一般有兩種，分別是標(biāo)準(zhǔn)的數(shù)據(jù)模型法和數(shù)據(jù)驅(qū)動(dòng)法。在數(shù)據(jù)模型法中，選擇的標(biāo)準(zhǔn)字典原子通常不能足夠有效地表示信號(hào)，而利用數(shù)據(jù)驅(qū)動(dòng)方法學(xué)習(xí)的字典卻能更準(zhǔn)確地代表信號(hào)。但是直接用訓(xùn)練樣本構(gòu)造字典矩陣是數(shù)據(jù)冗余的，如果訓(xùn)練樣本數(shù)太多，大量的計(jì)算也會(huì)成為棘手的問題。因此，在訓(xùn)練樣本中學(xué)習(xí)得到一個(gè)更簡(jiǎn)潔或魯棒的字典，不僅能夠?qū)崿F(xiàn)正確地分類，而且具有更好的數(shù)據(jù)獨(dú)立性。

發(fā)明內(nèi)容

本發(fā)明旨在解決上述問題，將Fisher準(zhǔn)則的結(jié)構(gòu)化字典學(xué)習(xí)方法引入到倉庫貨品識(shí)別領(lǐng)域，在判別字典的學(xué)習(xí)過程中，通過利用每一個(gè)字典對(duì)應(yīng)一個(gè)類別標(biāo)簽類來減少同類別訓(xùn)練樣本對(duì)應(yīng)的重構(gòu)誤差，同時(shí)綜合考慮稀疏編碼系數(shù)類內(nèi)、類間誤差，以使類內(nèi)誤差最小、類間誤差最大。最后由重構(gòu)誤差和稀疏編碼系數(shù)實(shí)現(xiàn)對(duì)倉庫貨品的分類識(shí)別。倉庫貨品識(shí)別的基本問題是在給定C種不同類別的訓(xùn)練樣本的條件下，對(duì)于一個(gè)新的測(cè)試樣本正確地識(shí)別其所屬類別。SRC對(duì)訓(xùn)練樣本降維后按列直接構(gòu)造字典矩陣，丟失大量分類信息。并且由于存在干擾信息，該字典并不能有效表示測(cè)試樣本。為了使得字典即具有較好的重構(gòu)能力，又具有很好的判別能力，本文提出一種基于Fisher判別字典學(xué)習(xí)的倉庫貨品識(shí)別的方法，從訓(xùn)練樣本集中求得具有更好表現(xiàn)能力和分類能力的字典矩陣。

具體而言，本發(fā)明提供的一種基于Fisher判別字典學(xué)習(xí)的倉庫貨品識(shí)別方法包括以下步驟：

步驟1：首先采集不同條件下的倉庫貨品圖像，將采集到的圖像分為兩部分：訓(xùn)練樣本集和測(cè)試樣本集。并對(duì)這兩種樣本集分別進(jìn)行圖像預(yù)處理操作，然后重排像素值并經(jīng)過PCA進(jìn)行降維；

步驟2：將降維預(yù)處理好的訓(xùn)練樣本集通過Fisher準(zhǔn)則方法學(xué)習(xí)一個(gè)判別的字典，將字典學(xué)習(xí)轉(zhuǎn)化為求如下目標(biāo)函數(shù)的最優(yōu)解J_(D,X)＝arg min_D,X{r(A,D,X)+λ₁‖X‖₁+λ₂f(X)}，其中，r(A,D,X)是字典的表達(dá)能力保真項(xiàng)；‖X‖₁為系數(shù)的稀疏約束；f(X)表示判別約束項(xiàng)；λ₁，λ₂為控制目標(biāo)函數(shù)中3項(xiàng)信息比例的常量。具體過程如下：

步驟2-1：初始化字典矩陣D，字典的每個(gè)基向量為訓(xùn)練樣本的PCA特征向量；

步驟2-2：固定字典D，目標(biāo)函數(shù)簡(jiǎn)化為其中