[發明專利]基于多特征提取的寬度學習系統

有效

• 申請號: 202010181905.9
• 申請日: 2020-03-16
• 公開（公告）號: CN111401443B
• 公開（公告）日: 2023-04-18
• 發明（設計）人: 劉然;劉亞瓊;劉宴齊;田逢春;錢君輝;鄭楊婷;趙洋;陳希;崔珊珊;王斐斐;陳丹
• 申請（專利權）人: 重慶大學;重慶市中藥研究院
• 主分類號: G06V10/778
• 分類號: G06V10/778;G06V10/50;G06V10/56;G06V10/762
• 代理公司: 重慶信航知識產權代理有限公司 50218
• 代理人: 吳彬

1.一種基于多特征提取的寬度學習系統，其特征在于：包括四個子寬度學習系統，每個子寬度學習系統包括特征節點、增強節點和子節點；

所述的每個子寬度學習系統先對圖像數據集提取一種圖像特征，各子寬度學習系統提取的圖像特征互不相同，第一個子寬度學習系統提取圖像數據集的HOG特征，第二個子寬度學習系統提取圖像數據集的顏色特征，第三個子寬度學習系統提取圖像數據集的K-means特征，第四個子寬度學習系統提取圖像數據集的卷積特征；各子寬度學習系統將對圖像數據集提取的圖像特征合并得到各自的特征節點，再分別通過增強映射函數對各自的特征節點進行增強，形成對應的增強節點；各子寬度學習系統在形成增強節點之后，再將其特征節點與對應的增強節點合并，然后再連接到其子節點中；

所述的基于多特征提取的寬度學習系統還包括對各子寬度學習系統的子節點的輸出進行歸一化的歸一化層和與各歸一化層連接的最終輸出層；

第一個子寬度學習系統提取圖像數據集的HOG特征的步驟包括：

1)對輸入圖像進行歸一化處理，將圖像轉化為灰度圖；

2)把圖像分割成若干個小區域，將小區域稱為cell，分割方法采用分割區域之間可相互重疊的可重疊分隔方法；

3)在每個cell中計算像素點的梯度值和梯度方向，得到該區域的梯度方向直方圖；

4)在更大的區域中，命名更大的區域為blocks，計算累積梯度方向直方圖，然后對blocks中所有的cell進行歸一化；

5)將所有cell的梯度方向直方圖進行合并，得到HOG特征；所提取到的HOG特征即為第一個子寬度學習系統的特征節點；

第二個子寬度學習系統提取圖像數據集的顏色特征的步驟包括：

1)將圖像從RGB空間轉換到HSV空間，在HSV空間進行特征提取；

2)依據HSV空間三個通道的取值范圍，分別使用6、4、4個bins，來計算圖像的直方圖，結果得到一個96維的顏色直方圖向量；

3)分別在三個通道上計算像素的一階顏色矩、二階顏色矩以及三階顏色矩，最終形成一個9維的顏色矩向量；

4)將顏色直方圖向量與顏色矩向量合并，從而形成105維的顏色特征向量；所提取到的顏色特征向量即為第二個子寬度學習系統的特征節點；

第三個子寬度學習系統提取圖像數據集的K-means特征的步驟包括：

1)從訓練集中采樣圖像塊集合，然后對圖像塊集合中的圖像塊進行標準化以及ZCA白化，最后對圖像塊集合進行K-means聚類，獲得聚類詞典D；

2)對于一幅三通道的彩色圖像，使用一個窗口進行步幅為1，間隔為0的滑動采樣，所述的窗口的大小和求解聚類詞典D時圖像塊的大小一致；采樣之后，即可得到多個圖像塊，用x表示；使用聚類詞典D對每個圖像塊進行特征映射，映射函數f:R^d→R^k,R為實數集,將圖像塊映射為特征向量，d為圖像塊向量的維度，k為聚類中心個數；映射方法為硬編碼方法，該方法的映射函數f(x；D)為：

d_j＝||x-μ^(j)||₂

其中，μ^(j)是第j個聚類中心，k為聚類中心個數；d_j表示圖像塊x與第j個聚類中心之間的距離；進行特征映射之后，每個圖像塊轉換為一個k維的向量；將所有圖像塊分為四份，進行最大池化，將池化后的結果進行合并與標準化，所得最終結果即為K-means特征，特征維度為4k；所提取到的K-means特征即為第三個子寬度學習系統的特征節點；

第四個子寬度學習系統提取圖像數據集的卷積特征的步驟包括：

1)對圖像進行卷積操作，再進行池化操作，卷積操作和池化操作共交替進行4次；

2)4次卷積與池化后，將所得的結果展平為一個向量；

3)使用PCA方法對該向量進行降維，降維后所得最終結果即為卷積特征；所提取到的卷積特征即為第四個子寬度學習系統的特征節點；

所述的增強映射函數為非線性映射函數；

所述第一個子寬度學習系統在提取到的HOG特征后的處理算法如下：

HOG對應的特征節點為：

Z_H＝[h₁,h₂,...,h_N]^T∈R^N×M?(1)

其中，N為樣本個數，h₁,h₂,...,h_N分別對應每個樣本的HOG特征；M為單個樣本的HOG特征維數，即每個樣本的HOG特征為一個M維的向量，則其對應的增強節點的輸出為：

H_H＝φ_H(Z_HW_EH+β_H)?(2)

其中W_EH是映射權重，β_H是偏置，φ_H是非線性激活函數；權重W_EH和偏置β_H是隨機生成的；對應的子節點輸出U_H的形式為：

U_H＝[Z_H,H_H]W_H＝A_HW_H?????????????????????????(3)

其中A_H＝[Z_H,H_H]，HOG所對應的子寬度學習系統目標函數為：

其中，Y為標簽集合，λ_H是嶺回歸參數；對公式(4)進行求導，得到：

其中I為單位矩陣；

其它三個子寬度學習系統求取其對應的權重和子節點輸出的方法和第一個子寬度學習系統求解其權重和子節點輸出的方法相同，在求解第二個子寬度學習系統的和子節點輸出U_S時，只需將上述公式中對應HOG特征的下標H和更換成對應顏色特征的下標S，同理在求解第三個子寬度學習系統的和子節點輸出U_K時，只需將上述公式中對應HOG特征的下標H和更換成對應K-means特征的下標K，在求解第四個子寬度學習系統的和子節點輸出U_F時，只需將上述公式中對應HOG特征的下標H和更換成對應卷積特征的下標F；

所述的基于多特征提取的寬度學習系統在得到各子寬度學習系統對應的子節點輸出U_H,U_S,U_K,U_F后的處理算法如下：

對U_H,U_S,U_K,U_F分別進行歸一化，分別得到U'_H,U'_S,U'_K,U'_F，設Z為：

Z＝[U'_H,U'_S,U'_K,U'_F]?(7)

所述的基于多特征提取的寬度學習系統的整體輸出Y為:

Y＝[Z]W＝AW?(8)

其中A＝[Z]，W是將特征節點和增強節點連接到輸出的整體權重，通過最小化目標函數來得到W:

其中λ是嶺回歸參數，使用嶺回歸方法對上式進行求解，得到：

W^*＝(A^TAI+λI)^-1A^TY?(10)

其中I是單位矩陣；

則基于多特征提取的寬度學習系統的最終輸出為: