[發明專利]基于Gaussian過程的指節圖像偏移特征識別方法

有效

• 申請號: 201810372967.0
• 申請日: 2018-04-24
• 公開（公告）號: CN108764038B
• 公開（公告）日: 2020-05-22
• 發明（設計）人: 楊世強;喬丹;弓逯琦;范國豪;李德信
• 申請（專利權）人: 西安理工大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 西安弘理專利事務所 61214
• 代理人: 張倩

1.基于Gaussian過程的指節圖像偏移特征識別方法，其特征在于，具體按照以下步驟進行：

步驟1，在類別信息無關聯的假設的基礎上，將中層偏移測度特征的學習轉化為對隨機量的學習，

所述步驟1具體為：依據從非參數密度核估計的結果中抽取出的圖像灰度位置數據，對圖像域上從屬于固定閾值偏移集的概率測度進行學習；利用高斯過程模型，選用Bernoulli分布表示圖像固定位置處對單類別標簽的概率，實現隨機場上類別標簽分類；

所述步驟1中：利用高斯過程模型，以觀測數據作為訓練樣本集X，選用Bernoulli分布表示圖像固定位置處對單類別標簽的概率，以隨機場上類別標簽y的概率結果作為訓練輸出；假設不同圖像位置間的不同標記類無關，而同類標簽的聯合分布具有Gaussian特點，并利用Gaussian場函數f表示同類別間的標記關聯：

其中位置i處標簽取值為{0，1)，f的向量形式為且具有先驗形式K為對應的協方差函數，n為訓練數據量；

步驟2，分析二值多分類高斯場上的后驗計算，基于Laplace逼近Gaussian過程的多分類高斯過程學習，

所述步驟2具體為：通過分析二值多分類高斯場上的后驗計算，得到了訓練數據的后驗模型的似然值計算描述形式；

所述步驟2中：

Gaussian場f_i＝f(·|x_i)為高斯類函數，其后驗形式也保持高斯格式：

Gaussian場隱函數f的最大后驗估計定義為為哈密頓算符，exp為指數函數，X是訓練樣本集，y是數據觀測量標記；

后驗模型似然值的對數形式可表示為：

其中，K為協方差矩陣，Π是Gibbs分布π對應cn*n規模的列分塊陣；

步驟3，構造中層隨機信息的正定核函數；

步驟4，基于Laplace的多分類高斯過程預測，

所述步驟4具體為：采用蒙特卡洛方法對預測均值與預測協方差矩陣進行采樣，獲取采樣均值作為后驗預測，得到基于Laplace的多分類高斯過程預測算法及流程；

所述步驟4中：

測試數據x_*的標記預測的隱向量函數f_*服從逼近分布：

f_*～q(f_*|X,y,x_*)

X是訓練數據集，y是數據觀測量標記，x_*是測試數據；

在Bayesian條件分布下，訓練數據集X中測試位置x_*的預測表示為積分形式：

q(f_*|X,y,x_*)＝∫p(f_*|X,x_*,f)q(f|X,y)df

由于上式中p(f_*|X,x_*,f)與q(f|X,y)均為高斯型分布，測試數據x_*的c類標記預測均值為：

其中k_c(x_*)為測試數據x_*與所有訓練集數據X間的c類標記協方差向量，是c類標記的Gibbs分布，y^c是c類標記數據的觀測量標記；

隨機場上基于訓練集的預測流程為：

①輸入后驗邊緣預測f，協方差矩陣K，檢測量x；

②計算當前觀測變量標記分布律Π：

其中

③對每一類隱標簽c＝1,2,…,C,計算：

M:＝Cholesky(∑_iE_i)

c:＝E_c(R(M^T\(M\(R^Tb))))

④對每一類隱標簽c'＝1,2,…,C,計算：

⑤初始化蒙特卡洛后驗采樣：π_*:＝0

⑥采樣測試位置標記的后驗分布：

⑦計算正則化估計向量：

⑧計算標記類別預測向量：

步驟5，利用中層數據的分布學習與預測算法進行指節圖像訓練學習和固定閾值的圖像識別。