[發明專利]一種基于自步約束機制的可監督圖像分類方法

在審

• 申請號: 201910283982.2
• 申請日: 2019-04-10
• 公開（公告）號: CN110009049A
• 公開（公告）日: 2019-07-12
• 發明（設計）人: 張濤;于宏斌;馮長安;葛格;石慧;許志強;崔光明;潘詳
• 申請（專利權）人: 江南大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 南京禹為知識產權代理事務所(特殊普通合伙) 32272
• 代理人: 王曉東

本發明公開了一種基于自步約束機制的可監督圖像分類方法包括，劃分訓練樣本難易種類；建立稀疏表示模型，并樣本帶入稀疏表示模型訓練；獲取圖像分類模型和預測模型；以及，構建類別決策器；其中，所述訓練樣本難易種類包括訓練易樣本和訓練難樣本；所述劃分訓練樣本難易種類采用自步約束矩陣劃分；本發明通過自步約束矩陣對訓練樣本進行劃分，將訓練易樣本和難樣本依次帶入定義的稀疏表示模型中進行不斷訓練，可構成具體自步約束的圖像分類方案，便于利用更多的判別信息，且對樣本噪聲具有魯棒性，從而可解決當面對包含噪聲和巨大類內變化的復雜樣本時監督字典學習機制將不再適用的問題，提高了圖像識別效果。

技術領域

本發明涉及的圖像分類識別技術領域，尤其涉及一種基于自步約束機制的可監督圖像分類方法。

背景技術

對包含大量對象類別的自然圖像進行分類是模式識別中最具挑戰性的問題之一，主流解決方案包括小波關聯向量機(WRVM)、全局和局部顯著性特征編碼和詞包模型(bow)，以往的圖像分類算法一直專注于獲取圖像特征的可視化表示，而忽略了特定類的信息，為發現一種更適合數據表示的方法，大量的方案已被開發來解決這個問題，最近在這些已開發的模型中，帶有監督的稀疏表示分類技術因其強大的圖像建模能力引起了許多人的興趣，許多研究表明，這種基于稀疏表示的分類(SRC)算法在計算機視覺研究中的表現非常出色，然而，當面對包含噪聲和巨大類內變化的復雜樣本時，監督字典學習機制將不再適用，此外，從復雜的訓練樣本中學習一本有鑒別力和代表性的詞典也仍是一個挑戰。

發明內容

本部分的目的在于概述本發明的實施例的一些方面以及簡要介紹一些較佳實施例。在本部分以及本申請的說明書摘要和發明名稱中可能會做些簡化或省略以避免使本部分、說明書摘要和發明名稱的目的模糊，而這種簡化或省略不能用于限制本發明的范圍。

鑒于上述現有基于自步約束機制的可監督圖像分類方法存在的問題，提出了本發明基于自步約束機制的可監督圖像分類方法，其所解決的是如何基于自步約束機制的可監督圖像分類問題。

因此，本發明目的是提供一種基于自步約束機制的可監督圖像分類方法，其通過自步約束矩陣對訓練樣本進行劃分，將訓練易樣本和難樣本依次帶入定義的稀疏表示模型中進行不斷訓練，可構成具體自步約束的圖像分類方案，便于利用更多的判別信息，且對樣本噪聲具有魯棒性，從而可解決當面對包含噪聲和巨大類內變化的復雜樣本時監督字典學習機制將不再適用的問題，提高了圖像識別效果。

為解決上述技術問題，本發明提供如下技術方案：通過自步約束矩陣對訓練樣本進行劃分，將訓練易樣本和難樣本依次帶入定義的稀疏表示模型中進行訓練，此過程可解決當面對包含噪聲和巨大類內變化的復雜樣本時監督字典學習機制將不再適用的問題，提高了圖像識別效果。

作為本發明所述基于自步約束機制的可監督圖像分類方法的一種優選方案，其中：一種基于自步約束機制的可監督圖像分類方法，包括，劃分訓練樣本難易種類；建立稀疏表示模型，并樣本帶入稀疏表示模型訓練；獲取圖像分類模型和預測模型；以及，構建類別決策器；其中，所述訓練樣本難易種類包括訓練易樣本和訓練難樣本。

作為本發明所述基于自步約束機制的可監督圖像分類方法的一種優選方案，其中：所述劃分訓練樣本難易種類采用自步約束矩陣劃分。

作為本發明所述基于自步約束機制的可監督圖像分類方法的一種優選方案，其中：所述自步約束矩陣V為：

其中，a_i,j表示一個屬于第i類的第j個訓練樣本，i＝1,...,K，j＝1,...,n_i，K是類的總數，y表示測試樣本，λ為參數，V(ii)＝1表示訓練易樣本，V(ii)＝0表示訓練難樣本。

作為本發明所述基于自步約束機制的可監督圖像分類方法的一種優選方案，其中：所述稀疏表示模型為與自步約束正則化相關的模型。