基于src-dp与lda相结合的图像特征提取方法
【技术领域】
[0001] 本发明属于图像处理技术领域，特别涉及图像识别中的特征提取方法，可用于警 务系统中人物身份的判别或者影像拍摄等领域中物体的查找。
【背景技术】
[0002] 图像识别是机器学习、模式识别和计算机视觉领域既热门又具有挑战性的研宄方 向之一。图像识别技术因具有简单、高效、安全、低成本等优势现在已经广泛应用在智能交 通、公安、生物医学、电子商务、遥感技术、军事和多媒体网络通信等领域。图像往往会受到 视角、光照、遮挡等成像因素的影响，这给图像的分类带来了很大的挑战。图像识别属于高 维空间下的模式识别问题。因此在对图像进行识别时其首先要对图像进行特征提取，然后 在低维的子空间进行分类判别。到目前为止，各种特征提取的方法在图像识别领域得到了 广泛的应用。
[0003] 2009年，Wright等人提出一种基于信号稀疏表示的分类方法SRC，成功地将压缩 感知理论应用到图像识别中。该方法基于采样稀疏信号表示理论，将图像识别看作多个线 性回归模型的分类问题，测试样本可以用训练样本库中同类样本的线性组合来表示。因此 从整个样本集的角度来看，线性加权的系数自然是稀疏的，于是就可将稀疏重构问题转化 为L1范数优化问题。2010年，乔立山等人提出了稀疏保持投影SPP，它是在流形稀疏表示 的框架下，构建数据集的紧邻权重矩阵。最近，杨健等人基于SRC理论提出了基于判别投影 的稀疏表示分类器方法SRC-DP，该方法主要基于残差准则进行类别重建，从而实现特征提 取的目的。但是该SRC-DP方法存在有以下两方面的缺陷：
[0004] 一是由于仅仅考虑了数据的局部重构问题，忽略了数据的全局判别信息，从而使 得整体分类结果不理想。
[0005] 二是由于仅考虑重构残差，不能更好地描述判别结构，特别是在类别数较大的情 况下，SRC-DP方法不能进行有效的识别。
[0006] 线性判别分析LDA主要考虑样本整体判别信息，其基本思想是：通过寻找一个投 影方向，即线性变换，线性组合，将高维空间的原始样本降到低维空间来解决，并且要求降 维后的数据具有如下性质：同类样本尽可能聚集在一起，不同类的样本尽可能地远。例如对 于C分类问题，它能找到个C-1投影方向，从而把维数压缩到C-1，因此，该方法虽然具有突 出的数据压缩能力，能够有效的降低后续处理的数据量，能有效地融合训练样本的类别信 息，但是用这种方法在进行图像识别时，由于只考虑样本的整体判别信息，而没有从重构的 角度对样本进行分析，从而导致分类的结果也不理想。
【发明内容】
[0007] 本发明的目的在于克服上述已有技术的不足，提出一种基于SRC-DP与LDA相结合 的特征提取方法SRC-FDC，以在图像类别数较多的情况下，提高图像的识别率。
[0008] 本发明的技术关键是：在考虑对数据重构问题的同时，加上了对数据整体判别结 构的分析，其实现步骤包括如下：
[0009] (1)将所选图像库中的每一幅图片转化为向量进行存储，并分别抽取图像库中每 类图像的一部分构成训练样本集乂 = |>丨,...乂1,...乂,...乂,]￡尺1;><'其中1?表示实数域，(1表 示原始空间中训练样本的维度，C表示训练样本的类别数，Ni表示第i类的训练样本数， 表示所有训练样本的总数；
[0010] (2)利用线性判别分析方法LDA分别计算原始训练样本的类间离散度矩阵Sb和类 内离散度矩阵Sw;
[0011] ⑶给定权重系数e，用来调节判别结构与重构结构的比例关系，e取值范围为 [0, 1]，设定最大迭代步数m，最大迭代步数m由收敛效果决定，为了求解投影到低维空间中 训练样本的稀疏系数，初始化投影矩阵P = PiE Rdxp，其中p为低维空间中训练样本的维 度，p << d，假设当前迭代次数k = 1 ;
[0012] (4)将训练样本集X中的每一个训练样本投影到p维空间上，即K ，i = 1，. . .，C，j = 1. . .，Ni，X)表示原始空间中第i类的第j个训练样本，匕表示p维空间中第 i类的第j个训练样本；
[0013] (5)通过计算下式求解％对应的稀疏表示系数向量<?，且保证所求的4的li范数 最小：
[0014]
【主权项】
1. 一种基于SRC-DP与LDA相结合的图像特征提取方法，包括如下步骤： (1) 将所选图像库中的每一幅图片转化为向量进行存储，并分别抽取图像库中每类 图像的一部分构成训练样本集1 =[虼...，1^，....，<...^^]￡#><'其中1?表示实数域，（1表 示原始空间中训练样本的维度，C表示训练样本的类别数，Ni表示第i类的训练样本数，， W= 表示所有训练样本的总数； (2) 利用线性判别分析方法LDA分别计算原始训练样本的类间离散度矩阵Sb和类内离 散度矩阵Sw; (3) 给定权重系数0，用来调节判别结构与重构结构的比例关系，0取值范围为 [〇, 1]，设定最大迭代步数m，最大迭代步数m由收敛效果决定，为了求解投影到低维空间中 训练样本的稀疏系数，初始化投影矩阵P=P1ERdxp，其中p为低维空间中训练样本的维 度，p<<d，假设当前迭代次数k= 1 ; (4) 将训练样本集X中的每一个训练样本投影到p维空间上，即y', = ，i= 1，. . .，C，j=I. . .，Ni,X;表示原始空间中第i类的第j个训练样本，y;表示p维空间中第i类的第j个训练样本； (5) 通过计算下式求解为对应的稀疏表示系数向量<，且保证所求的<的I1范数最 小：
(6) 由第（5)步中求解所得的训练样本的稀疏表示向量s)，并利用基于判别投影的稀 疏表示分类器方法SRC-DP分别计算原始训练样本的类间重构离散度矩阵Eb和类内重构离 散度矩阵Ew; (7) 根据⑵和（7)计算出的离散度矩阵^^^匕^^^构建如下广义特征方程 (Eb+ 0Sb)aj=Aj(Ew+ 0Sw)aji=I, ,P; (8) 求解（7)中广义特征方程中A,对应的特征向量ap且满足 入 > …彡入i…彡入p，得到入i对应特征向量ai的投影矩阵P= [a…ai,…ap]; (9) 令k=k+1，当k<m时，返回步骤（4)，直至k>m时，输出最终的投景多矩阵P'。
2. 根据权利要求1所述的方法，其中步骤⑵所述的利用线性判别分析方法LDA分别 计算原始训练样本的类间离散度矩阵Sb和类内离散度矩阵Sw，通过如下公式计算：
其中Hii是第i类训练样本的均值，m是所有训练样本的均值，T表示对矩阵进行转置。
3. 根据权利要求1所述的方法，其中步骤（6)所述的利用基于判别投影的稀疏表示分 类器方法SRC-DP分别计算原始训练样本的类间重构离散度矩阵Eb和类内重构离散度矩阵 Ew，通过如下公式计算：
其中，表示不同类之间的重构系数向量，该向量中只保留第k类相关的值，其他 的置0,第k类对样本Xij的重构表示为：X4(<.)，k= 1，2,. . .，C且k乒i; 4(<)表示同 类间的重构系数向量，该向量中只保留第i类相关的值，其他的置0,第i类对样本&.的重 构表亦为(s:_)。
【专利摘要】本发明公开了一种基于SRC-DP与LDA相结合的图像特征提取方法，主要解决现有特征提取方法因为仅考虑重构关系或判别关系，导致无法更加准确描述样本信息从而使得图片分类结果不理想的问题。其实现步骤是：1.输入训练样本，计算样本的类内、类间离散度矩阵，初始化投影矩阵，2.对训练样本进行投影，并依次求解投影样本的稀疏表示系数；3.分别计算投影样本的类内、类间重构离散度矩阵；4.构造目标函数求解新的投影矩阵；5.对步骤2-4进行迭代，直至循环次数大于给定初始值，输出最终投影矩阵。本发明增强了图像分类的准确性，提高了分类识别率,可用于警务系统中人物身份的判别或影像拍摄中物体的查找。
【IPC分类】G06K9-46, G06K9-66
【公开号】CN104715266
【申请号】CN201510109065
【发明人】刘阳, 高全学, 王勇, 王前前
【申请人】西安电子科技大学
【公开日】2015年6月17日
【申请日】2015年3月12日