[發明專利]一種基于局部性約束和顯著性的圖像分類方法

在審

• 申請號: 201710637610.6
• 申請日: 2017-07-31
• 公開（公告）號: CN107967481A
• 公開（公告）日: 2018-04-27
• 發明（設計）人: 梁曄;馬楠;李華麗;宋恒達;陳強;昝藝璇;蔣元;胡路明
• 申請（專利權）人: 北京聯合大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 北京馳納智財知識產權代理事務所(普通合伙)11367
• 代理人: 謝亮

1.一種基于局部性約束和顯著性的圖像分類方法，包括對圖像進行訓練，其特征在于，還包括以下步驟：

步驟1：對測試圖像提取局部特征因子，集合為X；

步驟2：對所述測試圖像進行局部性約束的編碼計算；

步驟3：對所述測試圖像進行顯著性計算；

步驟4：將像素的顯著值和編碼值進行融合得到基于顯著性的編碼值；

步驟5：對所述測試圖像采用空間金字塔模型進行特征池化操作，得到圖像級特征f；

步驟6：將所述圖像級特征f輸入到SVM分類器進行測試，得到分類類標。

2.如權利要求1所述的基于局部性約束和顯著性的圖像分類方法，其特征在于：所述訓練包括以下步驟：

步驟01：構建訓練集D；

步驟02：提取所述訓練集D中每幅圖像的局部特征描述子，構成局部特征描述子的集合Y；

步驟03：將所述訓練集D中局部特征描述子的集合Y進行聚類，得到視覺詞字典B，M為視覺詞的個數；

步驟04：對每幅訓練圖像提取局部特征描述子，集合為X；

步驟05：對所述每幅訓練圖像進行局部性約束的編碼計算：

步驟06：對所述每幅訓練圖像進行顯著性計算，得到圖像的顯著圖I；

步驟07：將所述每幅訓練圖像的像素的顯著值和編碼值進行融合得到基于顯著性的編碼值；

步驟08：對所述每幅訓練圖像采用空間金字塔模型進行特征池化操作，得到所述每幅訓練圖像的圖像級別的特征，訓練圖像集的圖像級別的特征集合為F；

步驟09：獲得所述訓練集D中每幅圖像的類標，類標集合為L。

步驟10：將特征集合F和類標集合L輸入到SVM分類器進行訓練，得到分類模型m。

3.如權利要求2所述的基于局部性約束和顯著性的圖像分類方法，其特征在于：所述步驟05中的所述局部性約束的編碼計算公式為：其中，x_i表示第i個局部特征描述子；b_j表示視覺詞字典B里的第j個視覺單詞，參數β用來調節編碼值，通過交叉驗證的方法得到。

4.如權利要求3所述的基于局部性約束和顯著性的圖像分類方法，其特征在于：當特征描述子x_i和視覺詞是k最近鄰的關系時，等于二者之間的距離，即當b_j∈N_k(x_i)時，其中N_k(x_i)表示特征描述子x_i的k最近鄰集合。

5.如權利要求4所述的基于局部性約束和顯著性的圖像分類方法，其特征在于：當特征描述子x_i和視覺詞不是k最近鄰的關系時，

6.如權利要求5所述的基于局部性約束和顯著性的圖像分類方法，其特征在于：所述步驟06為采用像素顯著值歸一化的方法計算得到s_ij，所述s_ij代表所述顯著圖I中的位置(i,j)像素點的顯著值。

7.如權利要求6所述的基于局部性約束和顯著性的圖像分類方法，其特征在于：所述像素顯著值歸一化的計算公式如下：s_ij＝(I_ij-MinValue(I))/(MaxValue(I)-MinValue(I))，其中，I_ij代表所述顯著圖I中(i,j)位置的灰度值,MinValue(I))代表所述顯著圖I中灰度的最小值，MaxValue(I)代表所述顯著圖I中灰度的最大值。

8.如權利要求2所述的基于局部性約束和顯著性的圖像分類方法，其特征在于：所述步驟07中的所述編碼值的融合公式為：

9.如權利要求8所述的基于局部性約束和顯著性的圖像分類方法，其特征在于：所述步驟1中的所述局部性約束的編碼計算公式為：其中，x_i表示第i個局部特征描述子；b_j表示視覺詞字典B里的第j個視覺單詞，參數β用來調節編碼值，通過交叉驗證的方法得到。

10.如權利要求9所述的基于局部性約束和顯著性的圖像分類方法，其特征在于：當特征描述子x_i和視覺詞是k最近鄰的關系時，等于二者之間的距離，即當b_j∈N_k(x_i)時，其中N_k(x_i)表示特征描述子x_i的k最近鄰集合。