[發明專利]一種面向樹干圖像的開集識別方法

有效

• 申請號: 201910243209.3
• 申請日: 2019-03-28
• 公開（公告）號: CN110097060B
• 公開（公告）日: 2021-04-06
• 發明（設計）人: 陳晉音;林翔;賈澄鈺;楊東勇
• 申請（專利權）人: 浙江工業大學
• 主分類號: G06K9/46
• 分類號: G06K9/46;G06K9/62;G06N3/04
• 代理公司: 杭州天勤知識產權代理有限公司 33224
• 代理人: 曹兆霞

1.一種面向樹干圖像的開集識別方法，包括以下步驟：

(1)設計面向樹干圖像的CNN模型，采用部分訓練樣本對CNN模型進行訓練后，并根據訓練的CNN模型構造特征提取器；

(2)對經特征提取器提取的特征圖，計算特征圖之間的相似度，并根據相似度值，采用DBSCAN算法對特征圖進行聚類；

采用DBSCAN算法對特征圖進行聚類包括：

定義1(Eps鄰域)：對于一個特征圖A_i，特征圖A_i的Eps鄰域定義為以特征圖A_i為核心，以Eps為半徑的超球體區域，即

N_Eps(A_i)＝{A_j∈M|D(A_i,A_j)≤Eps} (1)

其中，M表示全體特征圖集合；

定義2(核心點)：對于一個特征圖A_i，給定一個整數minPts，若特征圖A_i的Eps鄰域內的對象滿足

|N_Eps(A_i)|≥min Pts (2)

則稱特征圖A_i為(Eps,minPts)條件下的核心點；

定義3(密度直達)：若特征圖A_i位于特征圖A_j的Eps鄰域內，且A_j是核心對象，則稱特征圖A_i由特征圖A_j密度直達；

定義4(密度可達)：對于特征圖A_i和特征圖A_j，若存在樣本序列p₁,p₂,...,p_t,p_t+1,...,p_T，滿足p₁＝A_i，p_T＝A_j，且p_t+1由p_t密度直達，則稱A_j由A_i密度可達；即密度可達是具有傳遞性的密度直達；

當Eps,minPts被確定后，對于經特征提取器提取的特征圖，由任意一個特征圖作為核心點為起始，將與該核心點密度可達的所有特征圖構成一個類簇，當所有核心點均被劃分至某一類簇時，聚類完畢，此時類簇個數將自動被確定；

(3)根據特征圖之間的相似度和特征圖的聚類結果設計Loss函數，并根據該Loss函數以及剩下的訓練樣本對特征提取器的參數以及相似度函數的權重參數進行優化；

Loss函數為：

其中，H表示所有核心點的集合，g(A_i,A_j)為符號函數，當特征圖A_i和特征圖A_j屬于同一個類簇時，則g(A_i,A_j)＝1；當特征圖A_i和特征圖A_j不屬于同一個類簇時，則g(A_i,A_j)＝-1；

利用剩下的訓練樣本以及確定的Loss函數，采用梯度下降算法對特征提取器進行參數優化；

在優化特征提取器之后，再進行相似度函數D(A_i,A_j)中權重參數α和β的優化，由于α≥0,β≥0,α+β＝1，則相似度函數D(A_i,A_j)寫成：

D(A_i,A_j)＝-α[d(A_i,A_j)_c+1]/2+(1-α)d(A_i,A_j)_n (4)

首先，先令Δα＝0.1，從初始值α₀＝0.5開始，分別計算在α₀處、在α₀+Δα處和α₀-Δα處的聚類準確率，選取聚類準確率最高時對應的α作為α₁；

然后，根據α₁與α₀更新Δα，并計算在α₁處、在α₁+Δα處和α₁-Δα處的聚類準確率，選取聚類準確率最高時對應的α作為α₂，重復以下迭代過程：即根據α_m與α_m-1更新Δα，并計算在α_m處、在α_m+Δα處和α_m-Δα處的聚類準確率，選取聚類準確率最高時對應的α作為α_m+1，直到找到最優的α為止，這樣就獲得了最優的α、β＝1-α以及優化的相似度函數D(A_i,A_j)；

(4)將待分類的樹干圖像輸入至優化的特征提取器中，經計算獲得對應的特征圖，再利用優化的相似度函數計算特征圖之間的相似度，最后根據計算獲得的相似度值獲得對特征圖的DBSCAN聚類結果。