[發明專利]基于多核學習K-SVD的識別方法及其系統在審
| 申請號： | 201910387408.1 | 申請日： | 2019-05-10 |
| 公開（公告）號： | CN110119776A | 公開（公告）日： | 2019-08-13 |
| 發明（設計）人： | 鄧澤林;陳佳杰 | 申請（專利權）人： | 長沙理工大學 |
| 主分類號： | G06K9/62 | 分類號： | G06K9/62 |
| 代理公司： | 長沙楚為知識產權代理事務所(普通合伙) 43217 | 代理人： | 李大為 |
| 地址： | 410114 湖南省長沙市天心*** | 國省代碼： | 湖南;43 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 字典 多核 預設 分類 集合 圖像 待處理圖像 冗余計算 圖像識別 圖像訓練 訓練字典 字典更新 字典學習 列向量 稀疏性 有效地 準確率 匹配 樣本 學習 引入 轉化 | ||
1.一種基于多核學習K-SVD的識別方法，其特征在于，方法包括：
S1.將經驗圖像訓練轉化為列向量形成字典D；
S2.通過多核函數將字典D分類訓練得到字典D'；
S3.將字典D'通過K-SVD進行字典更新，得到字典D”；
S4.將待識別圖像與字典D”進行冗余計算，得到殘差值集合；
S5.獲取殘差值集合中的最小值，判斷最小殘差值是否在預設的閾值范圍內；
S6.若最小殘差值在預設的閾值范圍內，則完成圖像識別匹配。
2.根據權利要求1所述的識別方法，其特征在于：所述步驟S2后，步驟S3前還包括：將字典D'每一列歸一單元化，使其具有單位范數。
3.根據權利要求2所述的識別方法，其特征在于：所述步驟S3后，步驟S4前還包括：根據字典D”計算L2范數最小化以及稀疏系數。
4.根據權利要求1所述的識別方法，其特征在于：所述步驟S6具體為：
若最小殘差值在預設的閾值范圍內，則將待識別圖像歸入最小殘差值對應字典D”的分類中，完成圖像識別匹配。
5.根據權利要求1所述的識別方法，其特征在于：若步驟S5中判斷最小殘差值不在預設的閾值范圍內時，則圖像識別顯示不匹配。
6.一種基于多核學習K-SVD的識別系統，其特征在于，系統包括：轉化模塊、多核訓練模塊、K-SVD更新模塊、殘差計算模塊、殘差判斷模塊以及識別匹配模塊；所述轉化模塊、多核訓練模塊、K-SVD更新模塊、殘差計算模塊、殘差判斷模塊以及識別匹配模塊依次連接，其中：
轉化模塊，用于將經驗圖像訓練轉化為列向量形成字典D；
多核訓練模塊，用于通過多核函數將字典D分類訓練得到字典D'；
K-SVD更新模塊，用于將字典D'通過K-SVD進行字典更新，得到字典D”；
殘差計算模塊，用于將待識別圖像與字典D”進行冗余計算，得到殘差值集合；
殘差判斷模塊，用于獲取殘差值集合中的最小值，判斷最小殘差值是否在預設的閾值范圍內；
識別匹配模塊，用于若最小殘差值在預設的閾值范圍內，則完成圖像識別匹配。
7.根據權利要求6所述的識別系統，其特征在于，還包括歸一單元模塊，所述歸一單元模塊連接于多核訓練模塊以及K-SVD更新模塊，所述歸一單元模塊用于將字典D'每一列歸一單元化，使其具有單位范數。
8.根據權利要求7所述的識別系統，其特征在于，還包括范數計算模塊，所述范數計算模塊連接于K-SVD更新模塊以及殘差計算模塊，所述范數計算模塊用于根據字典D”計算L2范數最小化以及稀疏系數。
9.根據權利要求6所述的識別系統，其特征在于，所述識別匹配模塊具體用于：所述殘差判斷模塊判斷出最小殘差值在預設的閾值范圍內時，所述識別匹配模塊將待識別圖像歸入最小殘差值對應字典D”的分類中，完成圖像識別匹配。
10.根據權利要求6所述的識別系統，其特征在于，還包括不匹配顯示模塊，所述不匹配顯示模塊與殘差判斷模塊連接，當殘差判斷模塊判斷出最小殘差值不在預設的閾值范圍內時，所述不匹配顯示模塊對圖像識別顯示為不匹配。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于長沙理工大學，未經長沙理工大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201910387408.1/1.html，轉載請聲明來源鉆瓜專利網。
