[發明專利]一種基于底層融合特征的深度置信網絡圖像分類協議

在審

• 申請號: 201611240795.9
• 申請日: 2016-12-28
• 公開（公告）號: CN106845525A
• 公開（公告）日: 2017-06-13
• 發明（設計）人: 熊鵬
• 申請（專利權）人: 上海電機學院
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 上海申匯專利代理有限公司31001
• 代理人: 翁若瑩,吳小麗

技術領域

本發明涉及一種自然界圖像的分類算法，尤其涉及一種基于底層融合特征的深度置信網絡圖像分類協議，適用于圖像信息、圖像分類與檢索技術領域。

背景技術

隨著數字技術、信息技術和多媒體技術的快速發展，數字圖像已成為人們日常生活中不可缺少的一部分，而且圖像的數量正以驚人的速度增長，面對越來越多的圖像信息，圖像分類與檢索已成為研究的重點。傳統的基于文本和標注的分類與檢索方法存在一些缺點：費時、費力；數字圖像的快速增加使得對全部圖像做標注幾乎變得不可能；標注者主觀影響很大。這使得基于文本和標注的圖像分類和檢索的發展受到限制。隨后有大量研究基于內容的圖像分類與檢索(Content Based Image Retrieval-CBIR)展開，該技術克服了人工標注的缺點，可以實現自動、智能化的分類、檢索與管理。圖像分類問題目前的難點主要體現在兩方面：(1)特征的選擇和提取問題；(2)分類器的選擇和學習問題。

特征選擇和提取是圖像分類的基礎。圖像特征有兩類，一類是底層視覺特征，包括顏色、形狀和紋理特征、SIFT(尺度不變特征轉換)特征等；另一類是中層語義特征，主要有語義特征、區域語義概念特征、BOW特征等。

在分類器方法，當前的多數分類學習算法多為淺層結構算法，包括常見的支持向量機(SVM)、Booting和Logistic Regre-ssion等。SVM應用的典型流程是首先提取出圖像局部特征，并形成特征碼，然后將每幅圖像的局部特征所形成特征單詞的直方圖作為特征，最后通過SVM進行訓練得到模型，其局限性在于有限樣本和計算單元情況下對復雜函數的表示能力有限，針對復雜分類問題其泛化能力受到一定制約。BP算法是傳統訓練多層網絡的典型算法，而實際上對于僅包含幾層的網絡，該訓練方法就已很不理想。深度學習通過組合底層特征形成更加抽象的高層表示(屬性類別或特征)，以發現數據的分布式特征表示。使用高維的圖像描述符和線性分類器相結合的方法是目前較常用的圖像分類方法。

Lecun Y等(Lecun Y，Bottou L，Bengio Y，et al.Gradlent-based learning applied to document recognition[Ｊ].Proceedings of the IEEE，1998，86(11)∶2278-2324)提出了基于貪心逐層非監督學習過程的深度置信網絡(DBN)的概念。DBN由多層受限波爾茲曼機(Restricted Boltzann Mechines-RBM)組成的深層神經網絡結構，解決了傳統BP算法訓練多層神經網絡的難題。DBN作為一種深度學習網絡，其本質上把學習結構看作一個網絡，則深度學習的核心思路如下：(1)無監督學習用于每一層網絡的預訓練；(2)每次用無監督學習只訓練一層，將其訓練結果作為其高一層的輸入；(3)用監督學習去調整所有層，也就是堆疊多個層，上一層的輸出作為下一層的輸入。通過這種方式，即可實現對輸入信息的分級表達。深度置信網絡訓練可分成兩階段，第一階段是無監督特征學習；第二階段是有監督網絡參數微調和分類。目前深度置信網絡已成功應用于手寫字體識別、語音識別等領域，取得了較好的效果。

隨后，大量學者進行了相關研究，并對DBN算法進行了改進，如孫勁光等(孫勁光，蔣金葉，孟祥福 一種數值屬性的深度置信網絡分類方法[Ｊ]計算機工程2014 33(18)125-131)提出數值屬性的DBN，并在UCI的多個數據集上進行對比驗證，證明其有效性。付燕等(付燕 鮮艷明等 基于多特征和改進SVM集成的圖像分[Ｊ]計算機工程 2011 37(21)：196-199)認為現有圖像分類方法不能充分利用圖像各單一特征之間的優勢互補特性面，導致分類不精確，其采用主成分分析對所提取的特征進行變換，使用支持向量機的集成分類器進行分類，通過仿真實驗表明多特征比單一特征具有更好的圖像分類精度和更快的分類速度。

發明內容

本發明的目的是克服現有單一特征描述符及淺層結構分類算法分類正確率較低、效率較低的問題，提供一種分類正確率高、效率高的深度置信網絡圖像分類協議。

為了解決上述技術問題，本發明的技術方案是提供一種基于底層融合特征的深度置信網絡圖像分類協議，其特征在于，步驟為：

步驟1：提取樣本圖像中的顏色、紋理和形狀特征，構成多特征融合的權重矩陣；

步驟2：對所述權重矩陣進行歸一化處理；

步驟3：利用歸一化處理后的權重矩陣作為原始數據對深度置信網絡進行訓練和測試，得出分類結果。