[發(fā)明專利]一種基于通道相關(guān)式PCANet的低分辨率圖像識(shí)別方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010147013.7
• 申請(qǐng)日: 2020-03-05
• 公開（公告）號(hào): CN111488906B
• 公開（公告）日: 2023-07-25
• 發(fā)明（設(shè)計(jì)）人: 李小薪;徐晨雅;胡海根;周乾偉;郝鵬翼
• 申請(qǐng)（專利權(quán)）人: 浙江工業(yè)大學(xué)
• 主分類號(hào): G06V10/764
• 分類號(hào): G06V10/764;G06V10/77;G06V10/82;G06N3/0464;G06N3/08
• 代理公司: 杭州斯可睿專利事務(wù)所有限公司 33241
• 代理人: 王利強(qiáng)

一種基于通道相關(guān)式PCANet的低分辨率圖像識(shí)別方法，特征提取過程中，對(duì)待識(shí)別的低分辨圖像進(jìn)行雙三次插值，使得插值之后的圖像與訓(xùn)練集圖像有相同的分辨率；采用通道相關(guān)式卷積對(duì)插值后的圖像進(jìn)行深度卷積濾波，得到輸入圖像的高維特征圖；沿著特征圖的通道方向，以一定的步長，對(duì)特征圖進(jìn)行壓縮編碼，得到輸入圖像的模式圖；從模式圖中提取局部柱狀圖特征，將由各模式圖生成的局部柱狀圖特征連接起來，形成最終的高維柱狀圖特征；分類過程中，在高維柱狀圖特征空間中，基于卡方距離獲取待識(shí)別圖像到各訓(xùn)練圖像的距離度量；獲取具有最小距離度量的訓(xùn)練樣本所對(duì)應(yīng)的類標(biāo)，作為待識(shí)別圖像的類標(biāo)。本發(fā)明能夠有效識(shí)別低分辨率輸入圖像。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像處理和模式識(shí)別領(lǐng)域，尤其是待識(shí)別圖像與訓(xùn)練圖像有較大差異的魯棒圖像識(shí)別，主要用于處理和識(shí)別現(xiàn)實(shí)中的圖像。

背景技術(shù)

近來，在計(jì)算機(jī)視覺和圖像識(shí)別領(lǐng)域中，以卷積神經(jīng)網(wǎng)絡(luò)(Convolutional?NeuralNetworks，CNN)為代表的深度神經(jīng)網(wǎng)絡(luò)(Deep?Neural?Network，DNN)取得了極大的成功，在一些公開的數(shù)據(jù)集上，前沿的深度學(xué)習(xí)方法的分類能力甚至超過了人類，例如：在LFW人臉數(shù)據(jù)庫上的認(rèn)證準(zhǔn)確率，在ImageNet上的圖像分類準(zhǔn)確率，以及在MNIST上的手寫數(shù)字識(shí)別準(zhǔn)確率等。然而，在實(shí)際中，待識(shí)別圖像在“分布”或“結(jié)構(gòu)”上往往與訓(xùn)練圖像有較大的差異，這種差異會(huì)導(dǎo)致DNN出現(xiàn)較大規(guī)模的識(shí)別錯(cuò)誤，在深度學(xué)習(xí)領(lǐng)域中，這一現(xiàn)象被稱為“協(xié)變量偏移(Covariate?Shift)”。在異協(xié)變量偏移問題中，待識(shí)別圖像與訓(xùn)練圖像在分辨率上的差異尤為顯著。通常情況下，待識(shí)別圖像的分辨率遠(yuǎn)遠(yuǎn)低于訓(xùn)練圖像的分辨率，從而導(dǎo)致現(xiàn)有的DNN模型出現(xiàn)性能崩潰。

發(fā)明內(nèi)容

為了克服已有圖像識(shí)別方法由于協(xié)變量偏移所引發(fā)的圖像識(shí)別準(zhǔn)確率較低、可行性較差的不足，本發(fā)明提供了一種準(zhǔn)確性高、可行性好的基于通道相關(guān)式PCANet(ChannelIndependent?PCANet，CIPCANet)的魯棒圖像識(shí)別方法，CIPCANet能夠有效克服由于分辨率差異所引發(fā)的識(shí)別問題，能夠大幅度提升圖像識(shí)別性能。

本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：

一種基于通道相關(guān)式PCANet的低分辨率圖像識(shí)別方法，包括以下步驟：

步驟1選取J張圖像A＝{A₁,…,A_J}作為訓(xùn)練集，對(duì)應(yīng)的類別標(biāo)簽為Y＝{Y₁,…,Y_K}為待識(shí)別圖像的集合，即測試集，這里，分別表示實(shí)數(shù)域上的具有C₀∈{1,3}個(gè)通道的長寬為m×n和μ×v的圖像，且μ≤m,v≤n；

步驟2初始化參數(shù)和輸入數(shù)據(jù)：令這里，用于指示網(wǎng)絡(luò)所處的階段，表示網(wǎng)絡(luò)處于訓(xùn)練階段，表示網(wǎng)絡(luò)處于測試階段；令l＝0，這里，l用于指示輸入圖像或特征圖在網(wǎng)絡(luò)中的層數(shù)；令其中，N＝J，

步驟3由構(gòu)建矩陣其中，為的均值，表示從的第c個(gè)通道中抽取的第b∈{1,2,…,mn}個(gè)大小為k×k的特征塊，Vec(·)表示將矩陣?yán)鞛榱邢蛄康倪\(yùn)算；

步驟4如果網(wǎng)絡(luò)處于測試階段，則跳至步驟7，否則，執(zhí)行步驟5～步驟6；

步驟5計(jì)算的主方向其中，為協(xié)方差矩陣的第i個(gè)特征向量，對(duì)應(yīng)的特征值為λ_i，且

步驟6由V^(l)獲取C_l+1(C_l+1≤k²C_l)個(gè)通道相關(guān)式濾波器組

步驟7將投影到W^(l+1)：并將中的元素按行重寫為：其中，

步驟8由計(jì)算特征圖X^(l+1)：其中，這里，表示將矩陣中的每一個(gè)列向量按列重新排列為大小為m×n的矩陣，并在通道方向上將各m×n的矩陣連接起來；