[發明專利]一種多特征融合圖像識別算法

在審

• 申請號: 202010566440.9
• 申請日: 2020-06-19
• 公開（公告）號: CN111709433A
• 公開（公告）日: 2020-09-25
• 發明（設計）人: 汪禮君
• 申請（專利權）人: 汪禮君
• 主分類號: G06K9/46
• 分類號: G06K9/46;G06K9/62;G06N3/04
• 代理公司: 長沙正務聯合知識產權代理事務所(普通合伙) 43252
• 代理人: 鄭雋;吳婷

本發明涉及一種圖像識別的技術領域，揭露了一種多特征融合圖像識別算法策略，包括：利用映射函數對待識別圖像的像素值進行映射處理；基于鄰域像素點間的關聯性對圖像的Gabor特征進行轉換，得到圖像的Gabor_l特征；計算待識別圖像中Zernike矩的各階矩值，并對其按照升序進行排列，得到待識別圖像的Zernike描述子；利用細化尺度空間金字塔對圖像像素矩陣進行采樣，并利用灰度質心法確定采樣圖像中采樣點主方向，生成采樣特征；計算各個特征值提供的信息的置信度，得到各個特征值對整個圖像識別的支持程度；基于一種特征融合規則將Gabor_l特征、Zernike描述子以及采樣特征進行多特征融合；將融合后的特征輸入到預構建的GKP?Net網絡中，實現圖像識別。本發明實現了圖像的識別。

技術領域

本發明涉及圖像識別的技術領域，尤其涉及一種多特征融合圖像識別算法。

背景技術

隨著互聯網技術以及社交網絡的發展，圖片由于其不受地域和語言限制的特性，逐漸取代了繁瑣的文字，成為了互聯網信息交流的主要媒介。但伴隨著圖片成為互聯網中的主要信息載體，難題隨之出現。當信息由文字記載時，人們可以通過關鍵詞搜索輕易找到所需內容并進行任意編輯，而當信息是由圖片記載時，人們卻無法對圖片中的內容進行檢索，從而影響了從圖片中找到關鍵內容的效率。在這個環境下，計算機的圖像識別技術就顯得尤為重要。

傳統圖像識別技術采用CNN結構進行圖像識別，輸入圖像大小固定且增加網絡結構深度來提取特征，識別過程只針對最后一層提取的特征，通常采用relu激活函數。這樣的網絡結構需要大量有標簽的數據集，還需要高效的計算能力，才可以達到最好的識別效果，如此便限制了特征來源，同時極容易丟失邊緣關鍵特征，使特征提取不全。而采用兩個相對獨立的并行子卷積網絡進行特征提取，然后將不同卷積核提取的特征進行融合，識別率有一定的提高，但是對計算機的計算能力要求比較高，實現過程復雜。

鑒于此，如何提取圖像中的有效特征，并利用所提取出的特征進行準確的圖像識別，成為本領域技術人員亟待解決的問題。

發明內容

本發明提供一種多特征融合圖像識別算法，通過對傳統特征提取算法進行改進，從而提取出改進的Gabor_l特征、Zernike描述子以及采樣特征，并基于Dempster融合規則進行特征融合，同時對融合得到的特征使用本發明所提出的GKP-Net模型進行訓練，實現對圖像的識別。

為實現上述目的，本發明提供的一種多特征融合圖像識別算法，包括：

利用映射函數對待識別圖像的像素值進行映射處理，得到圖像像素矩陣；

將圖像像素矩陣與Gabor小波的核函數進行卷積運算，得到Gabor特征圖譜；

基于鄰域像素點間的關聯性對Gabor特征進行轉換，得到圖像的Gabor_l特征；

計算待識別圖像中Zernike矩的各階矩值，并對其按照升序進行排列，得到待識別圖像的Zernike描述子；

利用細化尺度空間金字塔對圖像像素矩陣進行采樣，并利用灰度質心法確定采樣圖像中采樣點主方向，生成采樣特征；

計算各個特征值提供的信息的置信度，得到各個特征值對整個圖像識別的支持程度，并基于一種特征融合規則將Gabor_l特征、Zernike描述子以及采樣特征進行多特征融合；

將融合后的特征輸入到預構建的GKP-Net網絡中，以進行圖像識別。

可選地，所述映射函數的數學計算公式為：

其中：

i為待識別圖像的原有像素值；

為待識別圖像的像素均值；

σ為待識別圖像的像素值標準差；