專利名稱：一種基于自調(diào)制字典學(xué)習(xí)的圖像分類方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像分類領(lǐng)域，特別是一種面向多類別、高精度圖像分類方法。
背景技術(shù)：
在當(dāng)前的信息化社會中，以圖像為代表的數(shù)字媒體資源已達(dá)到海量規(guī)模，成為當(dāng)前信息處理和信息資源建設(shè)的主體。傳統(tǒng)的技術(shù)手段已經(jīng)無法適應(yīng)這種需求，這對圖像的組織、分析、檢索和管理等技術(shù)都提出了全新的挑戰(zhàn)。圖像分類作為對圖像的機(jī)器理解的基礎(chǔ)技術(shù)，近些年來一直是模式識別、計算機(jī)視覺、信息檢索、人工智能、機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘等多個重要研究領(lǐng)域中持續(xù)的前沿性研究熱點。圖像分類是指根據(jù)圖像的內(nèi)容將其歸為特定的語義類別的方法，其能自動提取圖像的語義信息并有效管理。圖像語義分類技術(shù)可直接應(yīng)用到海量圖像檢索、圖像語義標(biāo)注、圖像信息過濾等圖像語義理解相關(guān)的其他技術(shù)領(lǐng)域，并帶動上述領(lǐng)域相關(guān)技術(shù)的發(fā)展。盡管國內(nèi)外許多研究者投身于圖像分類技術(shù)的研究，目前的圖像分類還面臨多種挑戰(zhàn)。比如:怎樣自動獲得豐富的高層語義信息；如何魯棒地處理光照、位置、遮擋以及噪聲數(shù)據(jù)的情形；如何高效處理大規(guī)模圖像數(shù)據(jù)等等。近些年，基于字典學(xué)習(xí)的圖像分類框架獲得眾多研究者的關(guān)注，大量實驗分析表明了其優(yōu)越性。此框架的關(guān)鍵在于設(shè)計高效算法學(xué)習(xí)更有效的字典，并充分利用字典中的信息用于分類。因此，此發(fā)明旨在改進(jìn)已有字典學(xué)習(xí)模型，引入學(xué)習(xí)順序機(jī)制控制字典學(xué)習(xí)，使學(xué)習(xí)過程從簡單到復(fù)雜逐漸演化，最終形成更適用于分類任務(wù)的字典，以提升基于字典學(xué)習(xí)的圖像分類方法的分類精度。

發(fā)明內(nèi)容
發(fā)明目的:本發(fā)明為了解決現(xiàn)有技術(shù)中的問題，提出了一種基于自調(diào)制字典學(xué)習(xí)的圖像分類方法，從而提升了已有基于字典學(xué)習(xí)的圖像分類方法的分類精度。發(fā)明內(nèi)容:本發(fā)明公開了基于自調(diào)制字典學(xué)習(xí)的圖像分類方法，包含如下步驟:訓(xùn)練階段:步驟1，局部特征抽取:對于訓(xùn)練圖像集中的每一幅訓(xùn)練圖像進(jìn)行局部特征描述子抽取生成訓(xùn)練圖像集的局部特征集合；訓(xùn)練圖像是帶有類標(biāo)的圖像，類標(biāo)用于標(biāo)記圖像所屬類別；采用稠密抽樣的策略，通過16像素X 16像素網(wǎng)格劃分采樣，在每個采樣點抽取128維灰度SIFT描述子，最后將抽取的局部特征集合的一個子集作為字典學(xué)習(xí)的訓(xùn)練集；步驟2，自調(diào)制字典學(xué)習(xí):在局部特征集合中隨機(jī)抽取部分局部特征作為訓(xùn)練集，訓(xùn)練集分為簡單樣例集E和復(fù)雜樣例集H ;反復(fù)迭代:當(dāng)前簡單樣例集確定、稀疏編碼、字典更新、以及閾值更新四個步驟完成字典學(xué)習(xí)，生成字典D。整個學(xué)習(xí)過程維護(hù)兩個訓(xùn)練樣例集合:簡單樣例集E和復(fù)雜樣例集H ;通過迭代以下步驟完成字典學(xué)習(xí):確定當(dāng)前簡單樣例集，即從復(fù)雜樣例集H中挑選此次迭代被判定為簡單的樣例，加入到上一次迭代的簡單樣例集，形成當(dāng)前簡單樣例集；稀疏編碼，固定上一次迭代的字典，并利用其對訓(xùn)練集中的所有局部特征完成稀疏編碼；字典更新，僅利用此次迭代的簡單樣例集中的局部特征編碼系數(shù)對字典進(jìn)行更新閾值更新，采用逐漸放松簡單樣例篩選標(biāo)準(zhǔn)的自適應(yīng)閾值函數(shù)，利用當(dāng)前訓(xùn)練集上的打分函數(shù)值分布，合理更新閾值。不斷進(jìn)行以上四步的迭代優(yōu)化，直接字典最終收斂，或是達(dá)到預(yù)先規(guī)定的迭代次數(shù)，最終獲得訓(xùn)練好的字典。步驟3,訓(xùn)練圖像表示:包含特征稀疏編碼和圖像空間聚合兩個子步驟。特征稀疏編碼，對訓(xùn)練圖像中抽取的局部特征進(jìn)行編碼，采用下式根據(jù)字典D，對局部特征Xi求解稀疏編碼系數(shù)a i:
權(quán)利要求
1.一種基于自調(diào)制字典學(xué)習(xí)的圖像分類方法，其特征在于，包括訓(xùn)練階段和分類階段: 訓(xùn)練階段包括: 步驟1，局部特征抽取:對于訓(xùn)練圖像集中的每一幅訓(xùn)練圖像進(jìn)行局部特征描述子抽取生成訓(xùn)練圖像集的局部特征集合；訓(xùn)練圖像是帶有類標(biāo)的圖像，類標(biāo)用于標(biāo)記圖像所屬類別； 步驟2，自調(diào)制字典學(xué)習(xí):在局部特征集合中隨機(jī)抽取部分局部特征作為訓(xùn)練集，訓(xùn)練集分為簡單樣例集E和復(fù)雜樣例集H;反復(fù)迭代:當(dāng)前簡單樣例集確定、稀疏編碼、字典更新、以及閾值更新四個步驟完成字典學(xué)習(xí)，生成字典D ； 步驟3，訓(xùn)練圖像表示:包含特征稀疏編碼和圖像空間聚合步驟； 步驟4，分類模型學(xué)習(xí):將步驟3中得到的訓(xùn)練圖像特征向量及其對應(yīng)分類類標(biāo)作為線性核SVM分類器的輸入完成分類模型的參數(shù)學(xué)習(xí)，得到SVM分類模型； 分類階段包括: 步驟5，局部特征抽取:對于待分類圖像進(jìn)行局部特征描述子抽取生成待分類圖像的局部特征集合； 步驟6，待分類圖像表示:首先對待分類圖像的局部特征進(jìn)行稀疏編碼:采用下式根據(jù)字典D，對局部特征Xi求解稀疏編碼系數(shù)a i:
2.根據(jù)權(quán)利要求1所述的一種基于自調(diào)制字典學(xué)習(xí)的圖像分類方法，其特征在于，步驟2自調(diào)制字典學(xué)習(xí)具體包括如下步驟: 從局部特征集合中隨機(jī)取η個訓(xùn)練圖像作為訓(xùn)練集X，X= [X1,..., xn] e Rmxn，其中Xi e Rm表示一個局部特征，m表示局部特征的維數(shù)，則字典學(xué)習(xí)采用以下公式:
3.根據(jù)權(quán)利要求2所述的一種基于自調(diào)制字典學(xué)習(xí)的圖像分類方法，其特征在于，步驟3訓(xùn)練圖像表示包括:首先對訓(xùn)練圖像的局部特征進(jìn)行稀疏編碼:采用下式根據(jù)字典D，對局部特征Xi求解稀疏編碼系數(shù)a i: MgimnWx1-DaiWl +IHaiH1 Cii 其中CIi表示局部特征Xi對應(yīng)于字典D的編碼系數(shù)，λ是正則化參數(shù)，其取值為(O, + 00 )； 然后進(jìn)行訓(xùn)練圖像的局部特征的編碼結(jié)果空間聚合:采用分層分塊的金字塔空間劃分，對于每一塊進(jìn)行最大值聚合操作，最后將所有分塊的特征向量串接成整個圖像的特征向量。
4.根據(jù)權(quán)利要求1所述的一種基于自調(diào)制字典學(xué)習(xí)的圖像分類方法，其特征在于，步驟I和步驟5中，進(jìn)行局部特征描述子抽取采用稠密抽樣的策略，通過網(wǎng)格劃分采樣，進(jìn)行SIFT描述子抽取。
5.根據(jù)權(quán)利要求1所述的一種基于自調(diào)制字典學(xué)習(xí)的圖像分類方法，其特征在于，步驟3中和步驟6中，采用快速特征符搜索法對局部特征Xi求解稀疏編碼系數(shù)a i。
6.根據(jù)權(quán)利要求2所述的一種基于自調(diào)制字典學(xué)習(xí)的圖像分類方法，其特征在于，步驟23中，利用牛頓 法解決帶二次約束的最小均方問題。
全文摘要
本發(fā)明公開了基于自調(diào)制字典學(xué)習(xí)的圖像分類方法，包含如下步驟訓(xùn)練階段步驟1，局部特征抽??；對于訓(xùn)練圖像集中的每一幅訓(xùn)練圖像進(jìn)行局部特征描述子抽取生成訓(xùn)練圖像集的局部特征集合；步驟2，自調(diào)制字典學(xué)習(xí)；步驟3，訓(xùn)練圖像表示包含特征稀疏編碼和圖像空間聚合兩個子步驟。步驟4，分類模型學(xué)習(xí)；步驟5，局部特征抽??；步驟6，待分類圖像表示；步驟7，模型預(yù)測。本發(fā)明為字典學(xué)習(xí)引入了合理的順序機(jī)制，設(shè)計了一套自調(diào)制機(jī)制的字典學(xué)習(xí)方法，并結(jié)合圖像分類進(jìn)行分析驗證，最終提高圖像分類的準(zhǔn)確度。
文檔編號G06K9/62GK103116762SQ20131009162
公開日2013年5月22日 申請日期2013年3月20日 優(yōu)先權(quán)日2013年3月20日
發(fā)明者楊育彬, 唐曄, 潘玲燕 申請人:南京大學(xué)