[發明專利]一種基于局部幾何感知的圖像目標分類方法

有效

• 申請號: 201910628683.8
• 申請日: 2019-07-12
• 公開（公告）號: CN110399885B
• 公開（公告）日: 2022-05-27
• 發明（設計）人: 李波;田楊;王翔宇;張曉龍
• 申請（專利權）人: 武漢科技大學
• 主分類號: G06V10/44
• 分類號: G06V10/44;G06V10/764;G06K9/62
• 代理公司: 杭州宇信知識產權代理事務所(普通合伙) 33231
• 代理人: 張宇娟

一種基于局部幾何感知的圖像目標分類方法，其技術方案是：對于一幅圖像預處理后的向量數據點x_i，分別從所有幅圖像預處理后的向量數據點構成矩陣數據X中，選擇與一幅圖像預處理后的向量數據點x_i類別相同的3個近鄰點建立流形局部特征平面，計算一幅圖像預處理后的向量數據點x_i在流形局部特征平面的投影，獲得局部協方差矩陣，然后用對數歐式距離度量流形局部特征空間之間的多流形散度，通過最大化多流形散度來尋找低維投影矩陣A，以此實現圖像目標的判別特征提取，最后采用最近鄰分類器對圖像目標特征進行分類。本發明通過最大化多流形散度來提取圖像的分類特征，具有提高圖像分類效果的特點。

技術領域

本發明屬于圖像目標分類技術領域。特別是涉及一種基于局部幾何感知的圖像目標分類方法。

背景技術

圖像目標分類是機器視覺的主要技術之一，是自動駕駛、人工智能等工程的基本技術，關系到許多機器學習行業的發展。近年來，基于視覺的自動化控制算法的需求量不斷增加，并要求具有較高的分類性能。而在算法實現過程中，由于工程項目的實時性和硬件計算能力約束等原因，同時要求算法有較低的時間空間復雜度。

目前，較為流行的目標分類算法有流形算法、SVM算法、深度學習算法等。在上個世紀90年代末本世紀初，SVM使用的比較多，SVM是一種二分類模型，它的目的是尋找一個超平面來對樣本進行分割，分割的原則是類間間隔最大化，最終轉化為一個凸二次規劃問題來求解。在此之后，基于深度神經網絡的深度學習方法成為主流，該方法分類能力強、泛化能力好，但是結構復雜，計算量極大。難以使用在一般設備上。一種基于流形的方法，通過計算數據在流形上的距離，進行分類，具有重要的研究意義。

發明內容

本發明旨在克服現有技術不足，目的是提供一種能提高圖像分類的效果的基于局部幾何感知的圖像目標分類方法。

為實現上述技術方案，本發明采用的技術方案是：

一種基于局部幾何感知的圖像目標分類方法，包括如下步驟：

S1、對采集的圖像進行預處理，得到預處理后的圖像向量數據矩陣X＝[X₁，X₂，…，X_C]，其中：C是類別數，M是向量化后的特征維度，N_c是第c個類的圖像類別數量，1≤c≤C；

S2、對于第c個類X_c中任一幅圖像預處理后的向量數據點x_i，選取與一幅圖像預處理后的向量數據點x_i歐氏距離最近的三個向量數據點x_i1，x_i2，x_i3組成最近鄰特征平面，獲得任一幅圖像預處理后的向量數據點x_i在最近鄰特征平面的投影以及表示最近鄰特征平面投影的3維權重系數向量W_c，將權重系數向量W_c擴充到N維，其中具有近鄰關系的向量點之間權重系數不變，其他為0；

S3、對圖像向量數據矩陣X中其余類的數據點，重復上述步驟，得到所有類別的權重系數矩陣W＝[W₁，W₂，…，W_C]∈R^N×N，其中N是所有預處理后的圖像的總數目，

S4、基于計算出的權重系數矩陣W＝[W₁，W₂，…，W_C]∈R^N×N，計算每個類的局部協方差矩陣，得到局部協方差矩陣C＝[C₁，C₂，…，C_C]；

S5、基于所述局部協方差矩陣構建目標函數，通過最大化目標函數，得到低維投影矩陣；