基于壓縮感知多核學(xué)習(xí)的圖像分類方法及其裝置制造方法
【專利摘要】一種基于壓縮感知多核學(xué)習(xí)的圖像分類方法，包括：(1)字典學(xué)習(xí)：分別構(gòu)造關(guān)于顏色、紋理和輪廓的字典；(2)特征提取：計(jì)算圖片的顏色特征直方圖、紋理特征直方圖和輪廓特征直方圖并生成對(duì)應(yīng)的三個(gè)特征集合；(3)特征降維：對(duì)圖片的顏色、紋理和輪廓特征進(jìn)行特征降維處理；(4)分類器學(xué)習(xí)：使用基于最小二乘多核的分類器在訓(xùn)練集上學(xué)習(xí)模型；以及(5)圖像類別預(yù)測(cè)：對(duì)于一張待分類的圖片，提取圖像的特征，計(jì)算低維度的特征，拼接特征向量而形成新的特征，將該特征代入分類器模型，從而得到圖像類別的輸出結(jié)果。所述基于壓縮感知多核學(xué)習(xí)的圖像分類方法能夠?qū)π腥?、車輛等圖像具有很好的分類精度，從而提高了分類模型的泛化能力。
【專利說明】基于壓縮感知多核學(xué)習(xí)的圖像分類方法及其裝置
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及監(jiān)控視頻中的圖像分類，尤其涉及一種基于壓縮感知多核學(xué)習(xí)的圖像分類方法及其裝置。
【背景技術(shù)】
[0002]隨著社會(huì)和經(jīng)濟(jì)的發(fā)展，城市的智慧化已經(jīng)得到了長(zhǎng)足的發(fā)展，監(jiān)控?cái)z像頭已經(jīng)幾乎遍布了城市的所有角落。隨之導(dǎo)致的問題是監(jiān)控視頻數(shù)據(jù)的指數(shù)增長(zhǎng)。而從中挖掘有效信息越發(fā)困難。對(duì)監(jiān)控視頻數(shù)據(jù)進(jìn)行分析并分類是智能分析中最重要研究?jī)?nèi)容之一，監(jiān)控?cái)?shù)據(jù)的分類有著重要的應(yīng)用價(jià)值，如監(jiān)控視頻中的行人、車輛類別、車輛顏色和行人衣著分類等，它可以有效地提高海量數(shù)據(jù)的檢索效率，從而降低人力成本。目前，大部分的圖像數(shù)據(jù)分類方法主要包括數(shù)據(jù)收集、圖像預(yù)處理、特征提取、模型學(xué)習(xí)和模型預(yù)測(cè)模塊。分類精度主要取決于特征提取和模型學(xué)習(xí)兩個(gè)模塊。當(dāng)前特征提取的方法主要是基于顏色、紋理特征或輪廓特征進(jìn)行:顏色特征方面主要有顏色直方圖和像素值等；紋理特征主要有基于局部二值模式；輪廓特征主要有梯度直方圖和梯度差分等。模型學(xué)習(xí)方法主要有如adaboost、svm、決策樹、神經(jīng)網(wǎng)絡(luò)、貝葉斯和高斯過程等。傳統(tǒng)的分類方法主要是提取某種特征作為表觀，如顏色、紋理和輪廓，然后利用分類器學(xué)習(xí)得到一個(gè)分類模型，實(shí)際中，待分類的目標(biāo)往往都是同時(shí)擁有顏色、紋理和輪廓的特征。由此會(huì)導(dǎo)致特征表達(dá)不準(zhǔn)確，進(jìn)而致使分類器的魯棒性差和分類精度低。因此現(xiàn)有的基于單一特征的分類器方法往往無法滿足實(shí)際中的分類要求，需要一種基于多特征的分類器。

【發(fā)明內(nèi)容】

[0003]針對(duì)現(xiàn)有技術(shù)的缺點(diǎn)，本發(fā)明的目的是提供一種能有效提高魯棒性和分類精確度的壓縮感知多核學(xué)習(xí)的圖像分類方法及其裝置。
[0004]為實(shí)現(xiàn)上述目的，本發(fā)明的實(shí)施例提供一種基于壓縮感知多核學(xué)習(xí)的圖像分類方法，包括以下步驟:(1)字典學(xué)習(xí):對(duì)訓(xùn)練樣本集中的每張圖片分別隨機(jī)采樣多張子圖像，根據(jù)隨機(jī)函數(shù)生成多個(gè)隨機(jī)整數(shù)，隨后生成多組子圖像，對(duì)每張子圖像分別提取關(guān)于顏色、紋理和輪廓的特征，并且利用聚類算法來分別構(gòu)造關(guān)于顏色、紋理和輪廓的字典；(2)特征提取:提取訓(xùn)練樣本集中的每張圖片的顏色、紋理和輪廓特征，根據(jù)字典構(gòu)造KD樹從而分別計(jì)算圖片的顏色特征直方圖、紋理特征直方圖和輪廓特征直方圖并由此生成對(duì)應(yīng)的三個(gè)特征集合；(3)特征降維:生成稀疏隨機(jī)矩陣并且對(duì)圖片的顏色、紋理和輪廓特征進(jìn)行特征降維操作，從而得到對(duì)應(yīng)的低維度的特征；(4)分類器學(xué)習(xí):將樣本的降維處理后的顏色、紋理和輪廓的三個(gè)低緯度特征向量進(jìn)行順序拼接，形成一個(gè)新的特征集合，并使用基于最小二乘多核的分類器在訓(xùn)練集上學(xué)習(xí)模型；以及(5)圖像類別預(yù)測(cè):對(duì)于一張待分類的圖片，首先根據(jù)所述特征提取步驟而提取圖像的特征，接著根據(jù)所述特征降維步驟而計(jì)算得到低維度的特征，再拼接降維后的特征向量而形成新的特征，將該新的特征代入訓(xùn)練好的分類器模型，從而得到圖像類別的輸出結(jié)果。[0005]其中，在所述步驟(1)中，字典學(xué)習(xí)的具體方法為:
[0006]對(duì)訓(xùn)練樣本集D中的每張圖片
【權(quán)利要求】
1.一種基于壓縮感知多核學(xué)習(xí)的圖像分類方法，其特征在于包括以下步驟: (1)字典學(xué)習(xí):對(duì)訓(xùn)練樣本集中的每張圖片分別隨機(jī)采樣多張子圖像，根據(jù)隨機(jī)函數(shù)生成多個(gè)隨機(jī)整數(shù)，隨后生成多組子圖像，對(duì)每張子圖像分別提取關(guān)于顏色、紋理和輪廓的特征，并且利用聚類算法來分別構(gòu)造關(guān)于顏色、紋理和輪廓的字典； (2)特征提取:提取訓(xùn)練樣本集中的每張圖片的顏色、紋理和輪廓特征，根據(jù)字典構(gòu)造KD樹從而分別計(jì)算圖片的顏色特征直方圖、紋理特征直方圖和輪廓特征直方圖并由此生成對(duì)應(yīng)的三個(gè)特征集合； (3)特征降維:生成稀疏隨機(jī)矩陣并且對(duì)圖片的顏色、紋理和輪廓特征進(jìn)行特征降維處理，從而得到對(duì)應(yīng)的低維度的特征； (4)分類器學(xué)習(xí):將樣本的降維處理后的顏色、紋理和輪廓的三個(gè)低緯度特征向量進(jìn)行順序拼接，形成一個(gè)新的特征集合，并使用基于最小二乘多核的分類器在訓(xùn)練集上學(xué)習(xí)模型； (5)圖像類別預(yù)測(cè):對(duì)于一張待分類的圖片，首先根據(jù)所述特征提取步驟而提取圖像的特征，接著根據(jù)所述特征降維步驟而計(jì)算得到低維度的特征，再拼接降維后的特征向量而形成新的特征，將該新的特征代入訓(xùn)練好的分類器模型，從而得到圖像類別的輸出結(jié)果。
2.如權(quán)利要求1所述的基于壓縮感知多核學(xué)習(xí)的圖像分類方法，其特征在于，在所述步驟(1)中，字典學(xué)習(xí)的具體方法為: 對(duì)訓(xùn)練樣本集D中的每張圖片Ii, i = 1，L，I分別隨機(jī)采樣T張子圖像，記為Pi =
3.如權(quán)利要求1所述的基于壓縮感知多核學(xué)習(xí)的圖像分類方法，其特征在于，在所述步驟(2)中，特征提取的具體方法為: 根據(jù)字典D- = {Cl-,c2-，L ?勾造 KD 樹，記為 k = kdtee (Zhue)，k e 1，...，K.； 將圖像Ii等比例分成16個(gè)圖像小塊，記為B31, B32, L，B316，對(duì)B3m，m = I, L, 16提取特征O [O，O0.9對(duì)所述圖片B3m，寬高記為W3mXh3m進(jìn)行隨機(jī)地采樣多張子圖像，寬高為16x16，記為P =
4.如權(quán)利要求1所述的基于壓縮感知多核學(xué)習(xí)的圖像分類方法，其特征在于，在所述步驟(3)中，特征降維的具體方法為: 生成稀疏隨機(jī)矩陣R
5.如權(quán)利要求1所述的基于壓縮感知多核學(xué)習(xí)的圖像分類方法，其特征在于，在所述步驟(4)中，分類器學(xué)習(xí)的具體方法為:將
6.一種基于壓縮感知多核學(xué)習(xí)的圖像分類裝置，包括: 圖像獲取裝置，用于提供圖像收集功能，從數(shù)據(jù)庫中獲取圖片集合或圖片； 字典學(xué)習(xí)模塊，耦合于所述圖像獲取模塊，配置為對(duì)訓(xùn)練樣本集中的每張圖片分別隨機(jī)采樣多張子圖像，根據(jù)隨機(jī)函數(shù)生成多個(gè)隨機(jī)整數(shù)，隨后生成多組子圖像，對(duì)每張子圖像分別提取關(guān)于顏色、紋理和輪廓的特征，并且利用聚類算法來分別構(gòu)造關(guān)于顏色、紋理和輪廓的字典； 特征提取模塊，耦合于所述字典學(xué)習(xí)模塊，所述特征提取模塊配置為提取訓(xùn)練樣本集中的每張圖片的顏色、紋理和輪廓特征，根據(jù)字典構(gòu)造KD樹從而分別計(jì)算圖片的顏色特征直方圖、紋理特征直方圖和輪廓特征直方圖并且由此生成對(duì)應(yīng)的三個(gè)特征集合，所述特征提取模塊還配置為生成稀疏隨機(jī)矩陣并且對(duì)圖片的顏色、紋理和輪廓特征進(jìn)行特征降維處理，從而得到對(duì)應(yīng)的低維度的特征； 模型訓(xùn)練模塊，耦合于所述特征提取模塊，配置為將樣本的降維處理后的顏色、紋理和輪廓的三個(gè)低緯度特征向量進(jìn)行順序拼接，形成一個(gè)新的特征集合，并使用基于最小二乘多核的分類器在訓(xùn)練集上學(xué)習(xí)模型；以及 模型預(yù)測(cè)模塊:耦合于所述模型訓(xùn)練模塊，配置為對(duì)于一張待分類的圖片，首先根據(jù)所述特征提取步驟而提取圖像的特征，接著根據(jù)所述特征降維步驟而計(jì)算得到低維度的特征，再拼接降維后的特征向量而形成新的特征，將該新的特征代入訓(xùn)練好的分類器模型，從而得到圖像類別的輸出結(jié)果。
7.如權(quán)利要求6所述的基于壓縮感知多核學(xué)習(xí)的圖像分類裝置，其特征在于，所述字典學(xué)習(xí)模塊具體配置為: 對(duì)訓(xùn)練樣本集D中的每張圖片Ii, i = 1，L，I分別隨機(jī)采樣T張子圖像，記為Pi = {ρη，Lj Ρ?χ}； 根據(jù)隨機(jī)函數(shù)randx和randy,生成T個(gè)隨機(jī)整數(shù),分別記為Irx1, L, rxT}和Iry1, L,ryT}, randx和randy均為服從等概率分布的隨機(jī)數(shù)生成器,隨機(jī)數(shù)生成的范圍分別是{O,1，L, w-16}和{O，1，L, h-16}； 將子圖像Pit，t = 1，L，T的所有像素值設(shè)為O，對(duì)于pit的每個(gè)像素進(jìn)行賦值，即pit (C，r) = Ii (c+rxt, r+ryt)，由此生成了 T 組子圖像 Pi = {pn, L, piT}； 合并所有子圖像塊，即P = P1 U P2 U L U P1 = {Pl, L，ptXT};對(duì)P中的每張子圖像Pi分別提取關(guān)于顏色、紋理和輪廓的特征，并將生成的關(guān)于顏色、紋理和輪廓的特征集合分別記為
8.如權(quán)利要求6所述的基于壓縮感知多核學(xué)習(xí)的圖像分類裝置，其特征在于，所述特征提取模塊具體配置為: 根據(jù)字典
9.如權(quán)利要求8所述的基于壓縮感知多核學(xué)習(xí)的圖像分類裝置，其特征在于，所述特征提取模塊具體還配置為: 生成稀疏隨機(jī)矩陣R= Drij]200Χ (ΚΧ21)， 其中已知有一個(gè)等概率函數(shù)rand，它等概率
10.如權(quán)利要求6所述的基于壓縮感知多核學(xué)習(xí)的圖像分類裝置，其特征在于，所述模型訓(xùn)練模塊具體配置為:將
【文檔編號(hào)】G06K9/62GK103514456SQ201310285254
【公開日】2014年1月15日 申請(qǐng)日期:2013年6月30日 優(yōu)先權(quán)日:2013年6月30日
【發(fā)明者】吳金勇, 陳先開 申請(qǐng)人:安科智慧城市技術(shù)（中國(guó)）有限公司