[發明專利]一種基于局部近鄰成分分析的圖像特征提取方法

有效

• 申請號: 202010104785.2
• 申請日: 2020-02-20
• 公開（公告）號: CN111259917B
• 公開（公告）日: 2022-06-07
• 發明（設計）人: 聶飛平;戶戰選;王榕;李學龍;王政;王瀚
• 申請（專利權）人: 西北工業大學
• 主分類號: G06V10/46
• 分類號: G06V10/46;G06N3/04;G06N3/08
• 代理公司: 西安凱多思知識產權代理事務所(普通合伙) 61290
• 代理人: 王鮮凱

本發明提供了一種基于局部近鄰成分分析的圖像特征提取方法。首先，構建特征提取神經網絡模型，并進行網絡參數和記憶銀行初始化；然后，對訓練數據集進行子集劃分，提取其低維特征，利用記憶銀行矩陣在低維特征空間中尋找每個樣本的k近鄰，并對原子集合和k近鄰集合按照標簽進行集合劃分，以得到的所有集合中樣本的相似性度量函數為目標函數進行網絡迭代訓練；最后，利用訓練好的特征提取網絡對待處理圖像進行特征提取。本發明方法可以使得同類樣本的特征向量在低維空間中聚集，不同類樣本的特征向量在低維空間中分散，從而使得原始數據在低維空間中具備明顯的聚類結構，能夠更加有效地用于圖像聚類和圖像檢索。

技術領域

本發明屬機器學習和計算機視覺技術領域，具體涉及一種基于局部近鄰成分分析的圖像特征提取方法，也可用于圖像聚類和圖像檢索。

背景技術

隨著信息技術的發展，圖像、視頻、音頻等數據呈現幾何式地增長。機器學習作為挖掘數據潛在信息的關鍵技術，已逐漸成為學術界和工業界的重點研究領域，被廣泛應用于人臉識別、圖像檢索、行人再識別等計算機視覺問題。在實際應用場景中，機器學習算法的性能往往受到輸入特征的影響。但采集的原始圖像數據往往具有高維數、多冗余、多噪音等特點，如何從原始圖像數據中提取一個好的低維特征一直以來是機器學習領域的研究難點。

近年來，隨著深度神經網絡的發展，深度圖像特征提取已經成為解決上述難點的關鍵技術之一，其旨在利用深度神經網絡學習一個非線性映射函數。該映射函數能夠將原始圖像數據投影到一個低維空間，在該空間中同類樣本的特征向量距離近、相似性強，異類樣本的特征距離遠、相似性弱。目前，已經有大量有關深度特征提取的關鍵性技術被提出，其大致可以分為三類：1)損失函數設計；2)采樣方法設計；3)集成學習。文獻“F.Schroff,D.Kalenichenko,and J.Philbin,“Facenet:A unified embedding for facerecognition and clustering,”in Proceedings of the IEEE Conference on ComputerVision and Pattern Recognition,2015,pp.815–823.”提出了一種基于三邊的損失函數，為深度特征提取提供了一種新的學習范式。文獻“C.-Y.Wu,R.Manmatha,A.J.Smola,andP.Krahenbuhl,“Sampling matters in deep embedding learning,”in Proceedings ofthe IEEE International Conference on Computer Vision,2017,pp.2840–2848”提出了一種基于距離的權重采樣方法。為了降低三邊損失函數帶來的算法不穩定性，提高算法的收斂速度并降低時間消耗，文獻“K.Sohn,“Improved deep metric learning with multi-class n-pair loss objective,”in Proceedings of the Advances in NeuralInformation Processing Systems,2016,pp.1857–1865.”提出一種N-pair損失函數。此外，文獻“M.Opitz,G.Waltner,H.Possegger,and H.Bischof,“Bier-boostingindependent embeddings robustly,”in Proceedings of the IEEE InternationalConference on Computer Vision,2017,pp.5189–5198.”利用集成學習的思想同時訓練多個神經網絡，并將學習到的低維表示進行融合。最近，文獻“K.Sohn,“Improved deepmetric learning with multi-class n-pair loss objective,”in Proceedings of theAdvances in Neural Information Processing Systems,2016,pp.1857–1865.”通過對多種損失函數和采樣方法進行分析，提出了一個統一的學習框架，為深度圖像特征提取領域提供了一個新的研究視角。