[發明專利]一種基于稀疏表示的圖像識別方法

有效

• 申請號: 201910081619.2
• 申請日: 2019-01-28
• 公開（公告）號: CN109858546B
• 公開（公告）日: 2021-03-30
• 發明（設計）人: 王立春;李爽;王少帆;孔德慧
• 申請（專利權）人: 北京工業大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 北京市中聞律師事務所 11388
• 代理人: 馮夢洪

公開一種基于稀疏表示的圖像識別方法，其能夠通過自適應地選擇訓練樣本進行多輪訓練，學習多個字典，每個字典有針對性地學習其他字典表示精度欠佳的樣本，每個字典對應一個有針對性的弱分類器，對多個弱分類器的分類結果進行加權組合，提升傳統稀疏表示應用于分類問題的識別精度。該方法包括以下步驟：(1)基于自適應增強字典學習過程學習多個字典及相應的弱分類器，并計算分類器權值系數；(2)基于步驟(1)學習的多個字典計算待分類數據的稀疏表示向量，再利用相應的弱分類器進行分類，加權組合各弱分類器識別結果而得到最終識別結果。

技術領域

本發明涉及圖像處理的技術領域，尤其涉及一種基于稀疏表示的圖像識別方法。

背景技術

近年來，稀疏表示算法作為圖像分類的工具被廣泛應用，通過訓練學習字典或將訓練樣本直接作為字典，基于字典對測試數據進行稀疏編碼，通過比較樣本在類別字典上的重構誤差實現分類。為提升字典方法在分類問題上的表現能力，已有方法在傳統稀疏表示方法KSVD的基礎上進行改進，在目標函數中加入類別信息，從而達到約束字典的目的。例如，DKSVD(Discriminative KSVD)中，在KSVD的基礎上，引入由樣本標簽矩陣、分類矩陣和稀疏表示矩陣組成的分類誤差項，字典的重構誤差項和分類器分類誤差項同時優化，達到同時提升線性分類器的能力和字典的表達能力的目的。LC-KSVD(Label Consistent KSVD)在KSVD的基礎上引入標簽一致項，定義字典與標簽相關矩陣為判別稀疏矩陣，通過稀疏表示矩陣在轉換矩陣上的投影與判別稀疏表示矩陣的差值構成標簽一致項，使得通過訓練得到的字典原子帶有類別標簽，從而保證了識別精度。同時LC-KSVD在DKSVD的啟發下引入分類誤差項，使得字典面向分類問題進行優化，進而得到較好的識別效果。

以上方法存在的問題如下：

基于稀疏表示的圖像識別方法通常經過訓練學習字典，目前的大部分方法在學習字典的過程中均等地對待每個訓練樣本。但不同樣本復雜程度不同，因此令所有樣本對字典訓練的貢獻相同，一方面可能會帶來信息冗余，另一方面導致復雜樣本的信息的缺失。

發明內容

為克服現有技術的缺陷，本發明要解決的技術問題是提供了一種基于稀疏表示的圖像識別方法，其能夠通過自適應地選擇訓練樣本進行多輪訓練，學習多個字典，每個字典有針對性地學習其他字典表示精度欠佳的樣本，每個字典對應一個有針對性的弱分類器，對多個弱分類器的分類結果進行加權組合，提升傳統稀疏表示應用于分類問題的識別精度。

本發明的技術方案是：這種基于稀疏表示的圖像識別方法，該方法包括以下步驟：

(1)基于自適應增強字典學習過程學習多個字典及相應的弱分類器，并計算分類器權值系數；

(2)基于步驟(1)學習的多個字典計算待分類數據的稀疏表示向量，再利用相應的弱分類器進行分類，加權組合各弱分類器識別結果而得到最終識別結果。

本發明基于Adboost原理對傳統稀疏表示模型學習字典的過程進行改進，在訓練過程中自適應地為訓練樣本分配權重，從而提升字典的表達能力。與此同時在目標函數中增加分類誤差項，聯合優化字典和分類器，提升識別精度。

附圖說明

圖1示出了根據本發明的基于稀疏表示的圖像識別方法的步驟(1)的流程圖。

圖2示出了根據本發明的基于稀疏表示的圖像識別方法的步驟(2)的流程圖。

圖3示出了Amazon10數據庫目標函數值和迭代次數的關系曲線。

圖4示出了根據本發明的基于稀疏表示的圖像識別方法的整體流程圖。

具體實施方式

如圖4所示，這種基于稀疏表示的圖像識別方法，該方法包括以下步驟：

(1)基于自適應增強字典學習過程學習多個字典及相應的弱分類器，