[發明專利]基于非負特征融合的場景圖像分類方法

有效

• 申請號: 201810034600.8
• 申請日: 2018-01-15
• 公開（公告）號: CN108460401B
• 公開（公告）日: 2022-04-29
• 發明（設計）人: 劉渭濱;鄒智元;邢薇薇;鄭偉;趙雅昕
• 申請（專利權）人: 北京交通大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/774;G06V10/77;G06V10/80;G06K9/62
• 代理公司: 北京市萬慧達律師事務所 11111
• 代理人: 黃玉東

本發明公開了一種基于非負特征融合的場景圖像分類方法，包括以下步驟，獲取原始數據的多種非負特征，定義并建立特征矩陣；對特征矩陣進行非負特征分解，得到基礎特征和特征融合因子；使用基礎特征和特征融合因子進行融合特征重建，得到融合特征；基于融合特征，建立基于正規化F范數誤差的融合單特征分類器；使用融合特征Boosting算法對融合特征進行提升，得到融合單特征提升權重矩陣和融合多特征提升權重矩陣；基于提升權重矩陣，建立融合多特征分類器。本發明提出非負特征分解與融合特征重建的兩步特征融合方法，為原始數據多種非負特征的融合提供了技術手段，實現多種特征的優勢互補，基于融合特征建立的分類器能夠得到更高的分類準確率。

技術領域

本發明涉及計算機視覺、模式識別技術領域，尤其涉及一種基于非負特征融合的場景圖像分類方法。

背景技術

隨著人工智能技術的發展，對圖像、文本、語音等信息進行智能處理的需求與日俱增。模式分類是數據信息的智能處理，它是計算領域重要的研究方向之一，模式分類問題包括光學字符識別、生物特征識別、圖像分類等。基于單特征結合機器學習分類器的分類方法，如分別使用顏色特征、邊緣特征、梯度，和支持向量機法、近鄰法、貝葉斯法等，已經使這類問題得到一定的解決。但是單一特征對原始樣本特性的表達具有局限性，一種特征往往僅對樣本某些特性敏感，而對其它特性不敏感，導致特征數據可能存在類內方差小而類間方差大的問題，分類器模型無法學習到最優的分類超平面，再加上數據噪聲的影響，使得基于單一特征訓練的分類器無法輸出正確的結果。

特征融合是解決上述問題的一種思想，它能夠綜合利用多種圖像特征，實現多特征的優勢互補，降低單特征局限性的影響，從而提高分類準確準確率。特征融合在信息融合層次中屬于中間層次的特征級融合，根據數據抽象層次的不同，信息融合還包括低層的數據級融合和高層的決策級融合。特征數據在維度上比原始數據要低，比分類決策結果數據要高，因此，特征級融合能在目前計算機普遍運算能力范圍內，更多的保留信息多樣性，比其它兩個層次的融合具有更好的使用條件。

近年來，特征融合已經成為一個熱門的研究問題。特征融合方法可以分為直接方法和間接方法，直接方法是通過對原始特征直接施加代數運算等手段得到融合特征，如基于權重的融合、基于模板的融合等；間接方法是將特征融合思想與統計模型、稀疏模型、深度模型等其他模型方法相結合，從而得到基于特征融合的新模型。但是，目前特征融合方法中缺乏基于非負矩陣分解的融合方法。

針對現有技術存在的不足，提出本發明。

發明內容

本發明的目的是通過提供一種基于非負特征融合的場景圖像分類方法，用于解決樣本多種特征的融合問題，進而解決模式分類的具體技術問題。

為實現上述發明目的，本發明的技術方案是：一種非負特征融合的方法，包括如下步驟：

S1，采集數據樣本，建立特征矩陣；

所述步驟S1中特征矩陣的建立具體步驟為，

S11：定義每個采集的數據樣本的類別名稱，為每個數據樣本標記一個類別；

S12：每個類別的數據樣本為一組，使用多種特征提取方法處理每個數據樣本，得到原始數據樣本的多種非負特征向量；

S13：將特征向量劃分為訓練集和測試集；訓練集和測試集劃分應該保持原始數據樣本的分布一致，即在訓練集和測試集中各類別包含樣本數量的比例相同。

S14：將訓練集中的特征向量組織成矩陣的形式，得到特征矩陣。

S2，進行非負特征分解；

利用基于投影梯度法的非負矩陣分解算法，對步驟S1的特征矩陣進行非負特征分解，得到基礎特征和特征融合因子；

S3，融合特征重建；