[發明專利]基于卷積拉普拉斯稀疏編碼的商品圖像分類方法

在審

• 申請號: 201711337772.4
• 申請日: 2017-12-14
• 公開（公告）號: CN107992897A
• 公開（公告）日: 2018-05-04
• 發明（設計）人: 趙輝;劉真三;王艷美
• 申請（專利權）人: 重慶郵電大學
• 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

1.一種基于卷積拉普拉斯稀疏編碼的商品圖像分類方法，該方法包括如下步驟：

S1：對PI100商品圖像數據集進行簡單的預處理，并將其分為訓練圖像集和測試圖像集；

S2：利用CLSC模型對訓練圖像集中的圖像進行訓練、學習，從訓練樣本中得到卷積濾波器組；

S3：使用學習到的卷積濾波器組與測試圖像集中的圖像進行卷積操作，得到測試圖像的稀疏表示特征，被用于圖像分類；

S4：將訓練圖像得到的稀疏表示特征作為訓練樣本對支持向量機(Support Vector Machine，SVM)分類器進行訓練，并進行參數優化，達到SVM的最優性能；

S5：將測試圖像的稀疏表示特征輸入到優化后的SVM分類器，進行圖像分類并得到分類準確率。

2.根據權利要求書1所述的商品圖像分類方法，其特征在于：

采用CLSC模型對訓練圖像集的圖像進行學習，從訓練樣本中學習到卷積濾波器組，之后，使用卷積濾波器組對待分類的圖像進行稀疏表示，卷積濾波器組可通過優化下面的目標函數獲得：

argminD,Z12||xj-ΣiDi⊗zi||22+λΣi||zi||1+μ2Σi<zi,Lzi>]]>

<zi,Lzi>=Σij(zi-zj)2ωij]]>

上式中的λ和β為參數，作用是用來平衡稀疏性和重構性，在實際實驗過程中一般設置為常數(λ＝0.1，β＝0.1)；

上述目標函數的優化過程有些復雜，需要先固定其中一個，求解另一個，把它轉化成一個凸優化問題：D和z的求解過程都是在乘子交替方向法(Alternating Direction Method of Multipliers，ADMM)框架下完成的，通過不斷地更新迭代，直至算法達到收斂，獲得最優的卷積濾波器組D和稀疏特征圖z；

SVM分類器的訓練樣本為從訓練圖像集學習到的稀疏特征圖，本發明使用的是多類線性SVMs，通過采用一個可微的二次損失函數：

l(wc;yic,zi)=[max(0,wcTz·yic-1)]2]]>

可以通過簡單的基于梯度的優化方法來比較容易地完成訓練，降低了分類器訓練的復雜度，本方法利用LBFGS算法對分類器進行優化，達到SVM的最優分類性能；

最后，通過學習到的卷積濾波器組D對測試圖像集中待分類的圖像進行稀疏表示，主要是利用整個待分類圖像與卷積濾波器進行卷積操作，卷積運算的步長為1，得到測試圖像的稀疏特征圖，這個稀疏特征圖作為待分類圖像的稀疏表示特征，并將其輸入到訓練好的線性多分類SVM中；統計測試圖像集中分類正確的樣本數除以樣本總數，得到針對該測試圖像集的商品圖像分類的準確率。