[發明專利]一種基于拉普拉斯嵌入的圖像分類詞典學習方法和裝置

有效

• 申請號: 201710447133.7
• 申請日: 2017-06-14
• 公開（公告）號: CN107169531B
• 公開（公告）日: 2018-08-17
• 發明（設計）人: 王立;王延江;劉寶弟
• 申請（專利權）人: 中國石油大學（華東）
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于拉普拉斯嵌入的圖像分類詞典學習方法，其特征在于，所述方法包括：

步驟100：從訓練樣本庫中獲取訓練樣本特征集，其中，所述訓練樣本特征集中包括至少2類訓練樣本；

步驟110：根據所述訓練樣本集中的第C類訓練樣本，采用拉普拉斯約束條件訓練所述第C類訓練樣本的稀疏表達詞典，其中，C為大于0的正整數，所述拉普拉斯約束條件為：

φ(X^c)是所述第C類訓練樣本映射到核空間中的圖像特征矩陣，W^c是詞典權重矩陣，S^c為所述第C類訓練樣本的稀疏表達矩陣，K是W^c矩陣的列數，代表S^c矩陣的第i列，p_ij為權重系數，p_ij代表訓練樣本和訓練樣本的緊鄰程度，代表所述第C類訓練樣本中的第i個樣本，代表所述第C類訓練樣本中的第j個樣本，α、β是常數，α、β稱為正則化因子；

步驟120：基于多距離加權衡量的圖結構模型，獲取所述第C類訓練樣本的近鄰關系圖，其中，所述圖結構模型為拉普拉斯嵌入結構，所述圖結構模型為代表第1種求所述第C類訓練樣本中的第i個樣本與第j個樣本之間的距離的方法，代表第k種求所述第C類訓練樣本中的第i個樣本與第j個樣本之間的距離的方法，t是常數，μ_k為第k種求所述第C類訓練樣本中的第i個樣本與第j個樣本之間的距離的方法對應的權重系數；

步驟130：基于迭代更新的方法求取所述拉普拉斯約束條件中的詞典權重矩陣和稀疏表達矩陣的最優解；

步驟140：針對所述訓練樣本特征集中的每一類訓練樣本，重復執行上述步驟110～步驟130，直至所述訓練樣本特征集中的每一類訓練樣本均執行完畢，則輸出訓練產生的基于拉普拉斯嵌入的圖像分類詞典。

2.根據權利要求1所述的方法，其特征在于，所述基于多距離加權衡量的圖結構模型，獲取所述第C類訓練樣本的近鄰關系圖，具體為：

基于歐式距離、漢明距離、余弦距離和切比雪夫距離中的至少兩種和其對應的權重系數，確定所述第C類訓練樣本的近鄰關系圖。

3.根據權利要求1或2所述的方法，其特征在于，所述基于迭代更新的方法求取所述拉普拉斯約束條件中的詞典權重矩陣和稀疏表達矩陣的最優解的步驟，具體包括：

步驟1301：將所述詞典權重矩陣設置為固定值，基于迭代更新的方法求取所述拉普拉斯約束條件中的所述稀疏表達矩陣的第一最優解，其中，所述固定值為所述詞典權重矩陣對應的隨機數矩陣；

步驟1302：將所述稀疏表達矩陣設置為所述第一最優解，基于迭代更新的方法求取所述拉普拉斯約束條件中的所述詞典權重矩陣的第二最優解；

步驟1303：若所述稀疏表達矩陣的第一最優解和所述詞典權重矩陣的第二最優解組成的所述拉普拉斯約束條件不收斂，則循環執行所述步驟1301和所述步驟1302；

步驟1304：若所述稀疏表達矩陣的第一最優解和所述詞典權重矩陣的第二最優解組成的所述拉普拉斯約束條件收斂，則將所述第一最優解確定為所述稀疏表達矩陣的最優解，將所述第二最優解確定為詞典權重矩陣的最優解。

4.根據權利要求3所述的方法，其特征在于，所述將所述詞典權重矩陣設置為固定值，基于迭代更新的方法求取所述拉普拉斯約束條件中的所述稀疏表達矩陣的第一最優解，具體為：

將所述詞典權重矩陣設置為固定值，基于迭代更新的方法根據公式：

求取所述拉普拉斯約束條件中的所述稀疏表達矩陣的第一最優解，其中，S^c為所述第C類訓練樣本的稀疏表達矩陣，代表S^c矩陣的第k行第n列的元素，κ(X^c,X^c)＝φ(X^c)^Tφ(X^c)，φ(X^c)是所述第C類訓練樣本映射到核空間中的圖像特征矩陣，代表S^c矩陣的第n列的所有元素，代表S^c矩陣的第k行的所有元素，W^c是詞典權重矩陣，K是W^c矩陣的列數，代表S^c矩陣的第i列，α、β是常數，α、β稱為正則化因子。