像數(shù)據(jù)集和Yale人臉圖像數(shù)據(jù)集組合混合而成的混合數(shù)據(jù)集，包括65人共 915幅面部圖像?；旌?RL與Yale數(shù)據(jù)集一個(gè)由0RL人臉圖像數(shù)據(jù)集和Yale人臉圖像數(shù)據(jù)集 組合混合而成的混合數(shù)據(jù)集，包括55人共565幅面部圖像。這些數(shù)據(jù)庫從多方面收集，因而 測(cè)試結(jié)果具有普遍說明性。為了計(jì)算高效考慮，在進(jìn)行測(cè)試前，可以對(duì)上述圖片進(jìn)行預(yù)處 理，本例中，具體為:把所有原始的目標(biāo)由（1024 X 1 X 400)變?yōu)?32 X 32 X 400 )，選擇的特征 向量的數(shù)量為d=10,每個(gè)類別分別選擇9個(gè)樣本作為原始訓(xùn)練樣本，剩余樣本作為待測(cè)樣 本。
[0151] 請(qǐng)參閱表1，為本發(fā)明與經(jīng)典的2DPCA、2DLPP、2D0LPP、DLPP-L1方法獲取的識(shí)別結(jié) 果對(duì)比表。該表給出了各方法在兩個(gè)公開的數(shù)據(jù)集測(cè)試中得到的平均結(jié)果及最好結(jié)果。平 均結(jié)果是基于10次隨機(jī)的訓(xùn)練集和測(cè)試集劃分，其中，訓(xùn)練集即為原始訓(xùn)練集，測(cè)試集為由 待測(cè)樣本組成的測(cè)試集。參與比較的各方法，分別使用各自得到的投影矩陣對(duì)待測(cè)樣本進(jìn) 行特征提取，為公平起見，各方法均采用最近鄰分類器進(jìn)行分類。
[0152] 表1.識(shí)別結(jié)果對(duì)比表
[0153]
[0154] 請(qǐng)參閱附圖3,為本發(fā)明實(shí)施例公開的一種基于魯棒特征提取的圖像識(shí)別方法及 裝置中識(shí)別待測(cè)樣本的類別的識(shí)別結(jié)果示意圖。通過實(shí)驗(yàn)結(jié)果，可以看出本發(fā)明的基于魯 棒特征提取的圖像識(shí)別方法及裝置在一定程度上優(yōu)于相關(guān)的2DPCA、2DLPP、2D0NPP及DLPP-L1方法，表現(xiàn)出了較強(qiáng)的穩(wěn)定性與準(zhǔn)確型，體現(xiàn)出一定的優(yōu)勢(shì)。
[0155] 對(duì)所公開的實(shí)施例的上述說明，使本領(lǐng)域技術(shù)人員能夠?qū)崿F(xiàn)或使用本發(fā)明。對(duì)這 些實(shí)施例的多種修改對(duì)本領(lǐng)域技術(shù)人員來說將是顯而易見的，本文中所定義的一般原理可 以在不脫離本發(fā)明的精神或范圍的情況下，在其它實(shí)施例中實(shí)現(xiàn)。因此，本發(fā)明將不會(huì)被限 制于本文所示的這些實(shí)施例，而是要符合與本文所公開的原理和新穎特點(diǎn)相一致的最寬的 范圍。
【主權(quán)項(xiàng)】
1. 一種基于魯棒特征提取的圖像識(shí)別方法，其特征在于，包括： 對(duì)原始訓(xùn)練集中包含的原始訓(xùn)練樣本進(jìn)行二維判別特征學(xué)習(xí)，通過緊湊局部類內(nèi)散度 和分離局部類間散度，進(jìn)行圖像特征學(xué)習(xí)建模，可有效保持圖像像素間的拓?fù)浣Y(jié)構(gòu)和內(nèi)在 相關(guān)性;基于1范數(shù)度量，提升了圖像描述的魯棒性，進(jìn)而通過優(yōu)化一個(gè)特征分解問題，得到 可用于圖像樣本的二維魯棒特征提取的投影矩陣;其中，所述原始訓(xùn)練樣本為具有與該原 始訓(xùn)練樣本的類別對(duì)應(yīng)的類別標(biāo)簽的樣本； 獲取包含有每個(gè)所述原始訓(xùn)練樣本的二維魯棒特征的新訓(xùn)練樣本集，并利用所述新訓(xùn) 練樣本集構(gòu)建分類器;其中，每個(gè)所述原始訓(xùn)練樣本的二維魯棒特征為利用所述投影矩陣 對(duì)每個(gè)所述原始訓(xùn)練樣本進(jìn)行投影得到的； 利用所述分類器對(duì)待測(cè)樣本進(jìn)行分類，得到與所述待測(cè)樣本的類別對(duì)應(yīng)的分類結(jié)果， 其中，所述待測(cè)樣本為未知其類別的樣本。2. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述利用所述分類器對(duì)待測(cè)樣本進(jìn)行分 類，得到與所述待測(cè)樣本的類別對(duì)應(yīng)的分類結(jié)果，包括： 利用所述投影矩陣對(duì)所述待測(cè)樣本進(jìn)行投影，得到所述待測(cè)樣本的待測(cè)二維魯棒特 征； 將所述待測(cè)二維魯棒特征作為所述分類器的輸入，得到至少一個(gè)與所述待測(cè)樣本對(duì)應(yīng) 的類別，并確定得到的至少一個(gè)與所述待測(cè)樣本對(duì)應(yīng)的類別中與所述待測(cè)樣本的相似性度 量最大的類別為所述待測(cè)樣本的類別。3. 根據(jù)權(quán)利要求2所述的方法，其特征在于，確定得到的至少一個(gè)與所述待測(cè)樣本對(duì)應(yīng) 的類別中與所述待測(cè)樣本的相似性度量最大的類別為所述待測(cè)樣本的類別，包括： 確定所述待測(cè)樣本的待測(cè)二維魯棒特征為z, 義'…，所述分類器對(duì)應(yīng)輸出 的任意輸出二維魯棒特征為4'…,ζ丨 利用下列公式確定所述待測(cè)二維魯棒特征與每個(gè)所述輸出二維魯棒特征之間基于1范 數(shù)的距離，并確定該距離最小的輸出二維魯棒特征對(duì)應(yīng)的原始訓(xùn)練樣本的類別為所述待測(cè) 樣本的類別： 職_，4) 其中，cKZbZj)表示所述待測(cè)二維魯棒特征與任意輸出二維魯棒特征之間基于1范數(shù)的 距離，11 · I U表示1范數(shù)。4. 根據(jù)權(quán)利要求1所述的方法，其特征在于，利用所述投影矩陣對(duì)所述原始訓(xùn)練樣本進(jìn) 行投影，得到該原始訓(xùn)練樣本的二維魯棒特征，包括： 按照下列公式得到所述原始訓(xùn)練樣本的二維魯棒特征： Zi = PTAi，i = l，2，."N 其中，Zi表示任一原始訓(xùn)練樣本的二維魯棒特征，六1表示該原始訓(xùn)練樣本，N表示原始訓(xùn) 練樣本的數(shù)量，P表示所述投影矩陣。5. 根據(jù)權(quán)利要求1所述的方法，其特征在于，確定緊湊局部類內(nèi)散度及分離局部類間散 度，包括： 按照下列公式確定類間權(quán)重矩陣，并確定該類間權(quán)重矩陣為分離局部類間散度： ι=|(ι?Μ;-ΜΧΓ u： Θ otherwise 其中，Bi謙示所述類間權(quán)重矩陣，Mi表示i類別對(duì)應(yīng)的平均矩陣為表示j類別對(duì)應(yīng)的平 均矩陣，yi為原始訓(xùn)練樣本^的類別標(biāo)簽^為原始訓(xùn)練樣本&的類別標(biāo)簽，||*￡為矩陣范 數(shù)； 按照下列公式計(jì)算得到類內(nèi)權(quán)重矩陣，并確定該類內(nèi)權(quán)重矩陣為緊湊局部類內(nèi)散度： ^ ||< ^ Subj =ο 其中，4表示類別C中第i個(gè)原始訓(xùn)練樣本，4表示類別C中第j個(gè)原始訓(xùn)練樣本，考為 原始訓(xùn)練樣本考的向量化描述，< 為原始訓(xùn)練樣本4的向量化描述，叫為原始訓(xùn)練樣 本4的近鄰集合表示類內(nèi)重構(gòu)權(quán)系數(shù)，表示類別c中第i個(gè)原始訓(xùn)練樣本對(duì)應(yīng)的權(quán) 重矩陣。6. 根據(jù)權(quán)利要求5所述的方法，其特征在于，獲取可用于圖像樣本的二維魯棒特征提取 的投影矩陣，包括： 按照下列公式確定投影矩陣： ρ Σ^λΙΚ^-^Ι Σ,..Σ^ p 4 ~ρ Σ^^ { s.t.PTP = Idxd 其中，P表示投影矩陣，II · 111表示1范數(shù)，c表示原始訓(xùn)練集對(duì)應(yīng)的類別的個(gè)數(shù)，N。表示 C類別中包含的原始訓(xùn)練樣本的個(gè)數(shù)，P〇pt為最優(yōu)的目標(biāo)輸出，Idxd為尺寸為d*d的單位矩陣。7. -種基于魯棒特征提取的圖像識(shí)別裝置，其特征在于，包括： 訓(xùn)練模塊，用于利用對(duì)原始圖像訓(xùn)練集中包含原始訓(xùn)練圖像樣本進(jìn)行判別特征學(xué)習(xí)， 通過緊湊局部類內(nèi)散度和分離局部類間散度，完成圖像特征學(xué)習(xí)建模;其中，所述原始訓(xùn)練 樣本為具有與該原始訓(xùn)練樣本的類別對(duì)應(yīng)的類別標(biāo)簽的樣本;基于1范數(shù)度量，提升了圖像 描述的魯棒性，進(jìn)而通過優(yōu)化一個(gè)特征分解問題，得到可用于圖像樣本的二維魯棒特征提 取的投影矩陣； 測(cè)試預(yù)處理模塊，用于利用所述投影矩陣對(duì)每個(gè)所述原始訓(xùn)練樣本進(jìn)行投影，得到每 個(gè)所述原始訓(xùn)練樣本的二維魯棒特征； 測(cè)試模塊，用于獲取包含有每個(gè)所述原始訓(xùn)練樣本的二維魯棒特征的新訓(xùn)練樣本集， 并利用所述新訓(xùn)練樣本集構(gòu)建分類器;利用所述分類器對(duì)待測(cè)樣本進(jìn)行分類，得到與所述 待測(cè)樣本的類別對(duì)應(yīng)的分類結(jié)果，其中，所述待測(cè)樣本為未知其類別的樣本。8. 根據(jù)權(quán)利要求7所述的裝置，其特征在于，測(cè)試模塊包括： 測(cè)試單元，用于利用所述投影矩陣對(duì)所述待測(cè)樣本進(jìn)行投影，得到所述待測(cè)樣本的待 測(cè)二維魯棒特征;將所述待測(cè)二維魯棒特征作為所述分類器的輸入，得到至少一個(gè)與所述 待測(cè)樣本對(duì)應(yīng)的類別，并確定得到的至少一個(gè)與所述待測(cè)樣本對(duì)應(yīng)的類別中與所述待測(cè)樣 本的相似性度量最大的類別為所述待測(cè)樣本的類別。9. 根據(jù)權(quán)利要求7所述的裝置，其特征在于，訓(xùn)練預(yù)處理模塊包括： 投影單元，用于按照下列公式得到所述原始訓(xùn)練樣本的二維魯棒特征： Zi = PTAi，i = l，2，."N 其中，Zi表示任一原始訓(xùn)練樣本的二維魯棒特征，六1表示該原始訓(xùn)練樣本，N表示原始訓(xùn) 練樣本的數(shù)量，P表示所述投影矩陣。10. 根據(jù)權(quán)利要求7所述的裝置，其特征在于，訓(xùn)練模塊包括： 訓(xùn)練單元，用于按照下列公式確定投影矩陣： --'ΧΣ::,Σ，74-〇4|?， s.t.PTP = Idxd 其中，P表示投影矩陣，U · I U表示1范數(shù)，Mi表示i類別對(duì)應(yīng)的平均矩陣，Mj表示j類別 對(duì)應(yīng)的平均矩陣，表示與所述分離局部類間散度對(duì)應(yīng)的類間權(quán)重矩陣，Wu表示與所述緊 湊局部類內(nèi)散度對(duì)應(yīng)的類內(nèi)重構(gòu)權(quán)系數(shù)，4 f-表示類別c中第i個(gè)原始訓(xùn)練樣本的圖像矩陣， 表示類別C中第j個(gè)原始訓(xùn)練樣本的圖像矩陣，Nc表示類別C中原始訓(xùn)練樣本的個(gè)數(shù)，C表 示原始訓(xùn)練集對(duì)應(yīng)的類別的個(gè)數(shù)，P〇 Pt為最優(yōu)的目標(biāo)輸出，Idxd為尺寸為d*d的單位矩陣。
【專利摘要】本發(fā)明公開了一種基于魯棒特征提取的圖像識(shí)別方法及裝置，通過對(duì)原始訓(xùn)練樣本進(jìn)行判別學(xué)習(xí)，在緊湊局部類內(nèi)散度和分離局部類間散度的同時(shí)有效保持圖像像素間的拓?fù)浣Y(jié)構(gòu)，設(shè)計(jì)基于1范數(shù)度量的特征學(xué)習(xí)框架，可輸出一個(gè)可用于樣本內(nèi)和樣本外圖像特征提取的投影矩陣,進(jìn)而通過投影矩陣獲取原始訓(xùn)練樣本的二維魯棒特征，構(gòu)造出可用于對(duì)待測(cè)樣本進(jìn)行分類的最近鄰分類器。可見，本申請(qǐng)中提供的上述方案無需將圖像對(duì)應(yīng)的二維矩陣轉(zhuǎn)換到高維的向量空間，而是可直接作用于圖像，由此，不但可有效保持圖像像素間的拓?fù)浣Y(jié)構(gòu)和內(nèi)在相關(guān)性，而且可有效降低模型計(jì)算過程的復(fù)雜度。此外，基于1范數(shù)度量，可確保在特征提取過程中對(duì)噪音的魯棒性。
【IPC分類】G06K9/62
【公開號(hào)】CN105469117
【申請(qǐng)?zhí)枴緾N201510882718
【發(fā)明人】張召, 湯煜, 李凡長(zhǎng), 張莉, 王邦軍
【申請(qǐng)人】蘇州大學(xué)
【公開日】2016年4月6日
【申請(qǐng)日】2015年12月3日