[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

本發明公開了基于多核學習K?SVD的識別方法及其系統，方法包括：將經驗圖像訓練轉化為列向量形成字典D；通過多核函數將字典D分類訓練得到字典D'；將字典D'通過K?SVD進行字典更新，得到字典D”；將待識別圖像與字典D”進行冗余計算，得到殘差值集合；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；若最小殘差值在預設的閾值范圍內，則完成圖像識別匹配。通過將多核函數引入K?SVD字典學習，通過對所有樣本進行分類訓練字典，得到一個過完備字典，該字典可以為每個信號原子提供最佳表示，可以有效地解決待處理圖像分類不完備的問題，為訓練得到的字典的稀疏性提供保障；對處理識別圖像時，識別準確率高。

技術領域

本發明涉及識別技術領域，尤其涉及基于多核學習K-SVD的識別方法及其系統。

背景技術

識別技術是當前特別火的技術領域之一，其具有非接觸性、友好、方便、不易察覺等特點，易于為用戶所接受。

識別技術中大多應用在圖片以及圖像識別上，其中，應用最廣的是人臉識別。但是，現有的識別技術中，大多是采用單一的K-SVD訓練得到字典，例如：CN201310181012.4就公開了一種基于稀疏表示的寄生蟲蟲卵識別方法，其中就是利用K-SVD訓練得到字典進行識別。

采用單一的K-SVD訓練得到的字典存在字典殘缺，分類不準確等問題，所以在識別過程中識別率較低，誤差較大。

發明內容

有鑒于此，本發明的基于多核學習K-SVD的識別方法及其系統，本方法通過多核學習以及K-SVD訓練得到的字典更加稀疏，識別率更高。

一種基于多核學習K-SVD的識別方法，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。

優選地，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。

優選地，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。

優選地，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。

優選地，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。

所述核函數為線性核函數、多項式核函數、高斯核函數以及sigmod核函數中的至少兩種。

一種基于多核學習K-SVD的識別系統，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；