[發明專利]圖像多特征動態結構融合的標記傳播分類方法

在審

• 申請號: 201710205296.4
• 申請日: 2017-03-31
• 公開（公告）號: CN106991443A
• 公開（公告）日: 2017-07-28
• 發明（設計）人: 藺廣逢;繆亞林;陳萬軍;陳亞軍;張二虎;朱虹
• 申請（專利權）人: 西安理工大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 西安弘理專利事務所61214
• 代理人: 寧文濤

技術領域

本發明屬于視頻監控圖像處理領域，涉及一種圖像多特征動態結構融合的標記傳播分類方法。

背景技術

近年來，基于內容分析的智能監控系統的應用越來越多，要智能分析和識別目標，圖像的描述與認知是要解決的重要問題，因為圖像的方向梯度直方圖(HOG，CN103903238A權利要求1實施的方法)、局部二值模式(LBP，CN103903238A權利要求1實施的方法)和圖像數據本身描述表現出的結構多樣性和各個結構描述融合的復雜性，使得考慮單一結構約束難以有效的傳播標記，進行圖像半監督的分類。現有技術中的方法無法利用多特征結構在標記傳播中的動態非線性特性，進而無法更加準確的進行圖像內容識別。

發明內容

本發明的目的是提供一種圖像多特征動態結構融合的標記傳播分類方法，能夠獲得更加準確的圖像半監督分類，更加準確的進行圖像內容識別。

本發明所采用的技術方案是，一種圖像多特征動態結構融合的標記傳播分類方法，具體按照以下步驟實施：

步驟1，初始化圖像標記矩陣并計算各特征的相似矩陣；

步驟2，建立特征結構線性模型，并求解線性規劃問題優化式；

步驟3，基于各特征結構關系的標記傳播；

步驟4，判斷標記相對誤差是否符合要求。

本發明的特點還在于，

所述的步驟1具體為：

步驟1.1，針對M個圖像進行分類標記時，設M個圖像中每個圖像都由N個特征表示，

其中，第n個特征的集合表示為Xn＝[xn₁,xn₂,...,xn_M]^T，其中，n＝{1,2,3...N}；

將M個圖像的標記矩陣記為Y_t∈R^M×C

當t＝0時，表示還未開始進行標記，為圖像初始狀態，

則最初的圖像標記矩陣為Y₀∈R^M×C,其中C為圖像的類別數。

則，

其中i＝(1,...,M)，j＝(1,...,C)；

步驟1.2，通過公式(2)的計算，

得到標記向量

然后再進行歸一計算化后得

按照公式(3)計算，得到向量元素對應每一圖像，標記其類別，其中

步驟1.3，圖像中的任意兩特征間的距離度量為d_Xn(xn_i,xn_k)，

其中，xn_i和xn_k為圖像i和圖像k的特征表征,i＝(1,...,M),k＝(1,...,M)；

計算度量的相似矩陣為Wn＝{Wn(i,k)}(i＝1,2,...,M k＝1,2,...,M)，如下式(5)：

其中，Xn＝[xn₁,xn₂,...,xn_M]^T為特征矩陣。

所述的步驟2具體為：

將步驟1中根據式(5)建立線性模型，得

其中W＝[W₁,...,W_N]^T為特征結構,α_t＝[α_t1,...,α_tN]^T為特征結構的關系，t為循環傳播的次數變量，t＝(0,...,P)。

求解并建立t循環時時對應的拉普拉斯矩陣

L_t＝D_t-W_t(7)

其中D_t為對角陣，對角元素為其余為零；

L_t為t次循環的拉普拉斯矩陣；

通過單純形法求解下面的線性規劃問題優化式(8)，

其中，特征結構W＝[W₁,...,W_N]^T的權重參數為α_t＝[α_t1,...,α_tN]^T；

其中，I為單位矩陣，κ為調節超級參數，實驗取值為100。

所述的步驟3具體為：