基于src与mfa相结合的图像分类方法

基于src与mfa相结合的图像分类方法
【技术领域】
[0001] 本发明属于图像处理技术领域，特别涉及图像的分类方法，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] 图像分类是机器学习、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。图像分类技术因具有简单、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。图像分类属于高 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] 2007年，颜水成等人提出了一种用于图像分类的边界Fisher分析方法MFA，该方 法是基于传统的线性判别分析LDA和图模型理论提出的，其根本目的就是在一个适当邻域 内将同类样本拉近，不同类样本拉远，从而起到更好的样本分类效果。但是MFA方法存在很 大缺陷。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Ll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。
[0004] MFA方法在构建邻域权重图时，是通过欧式距离来判定邻域间的关系，但是欧式距 离下最近邻的样本往往并非同类样本，因此在应用于分类时结果有时并不理想。MFA方法严 重依赖人工参数的选择，如果前期不能对参数有较好的预判，则分类的效果同样不好。除此 之外，用这种方法在进行图像识别时，由于只考虑样本的局部判别信息，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。
[0005] SRC-DP方法存在有以下两方面的缺陷：
[0006] 一是由于仅仅考虑了数据的重构问题，忽略了数据的局部判别信息，从而使得整 体分类结果不理想。
[0007] 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。

【发明内容】

[0008] 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与MFA相结合的 图像特征提取方法，以在图像类别数较多的情况下，提高图像的识别率。
[0009] 本发明的技术关键是：在考虑对数据重构问题的同时，加上了对数据局部判别结 构的分析，其实现步骤包括如下：
[0010] (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：丨…，剩下的 图像构成测试样本集X'eRdXH，其中R表示实数域，d表示原始空间中样本的维度，C表示 训练样本的类别数，Ni表示第i类的训练样本数，ie1. ..，C，xj表示第i类的第j个训练 样本，jeI... = 表示所有训练样本的总数，H表示所有测试样本的总数；
[0011] ⑵定义同类和不同类样本矩阵：
[0012] 令As表示与原始空间训练样本 < 同类的样本矩阵，且4中不包含 < 自身，即 A5 =Xj,,.,_(,X1J^1,..,Xz^ ,ie；
[0013] 令Ad表示与原始空间训练样本：<不同类的样本矩阵，即 Aj - Xjttt5Xjyi ...,? ? ? ?, 5 ? * * j 3C , ，4c ，ie / ；
[0014] ⑶初始化投影矩阵P=P1GRdXm，P1SMATLAB软件随机生成的dXm维矩阵，其 中m为低维空间中训练样本的维度，m<<d;设初始迭代次数k= 1，根据收敛效果要求， 设定最大迭代步数t;
[0015] ⑷将训练样本集X中的每一个训练样本投影到m维空间上，即4 =P'，<表 示m维空间中第i类的第j个训练样本，T表示矩阵的转置；
[0016] (5)获得同类样本的稀疏权重矩阵：8?.,畋...,4...,<...,^；] ￡^_，其中< 为y;的同类系数向量，ieI...，C，jGI...，Ni;
[0017] (6)获得不同类样本的稀疏权重矩阵：F= [g丨…，'...,g)...#「…，g^]ei^v，其中 g'为<?的不同类系数向量，iel...，C，jGl...，Ni;
[0018] (7)由第（5)步中求得的同类样本的稀疏权重矩阵S，构建使同类样本之间距离最 近的目标函数：
[0019]J1 (P) =argminPTXLsXTP
[0020] 其中X为原始训练样本集，P为投影矩阵，Ls=Ds-S，Ds是对角阵，Ds的对角线元 素是同类样本的稀疏权重矩阵S对应的行元素之和；
[0021] (8)由第（6)步中求得的不同类样本的稀疏权重矩阵F，构建使不同类样本之间距 离最远的目标函数：
[0022] J2 (P) =argmaxPTXLfXTP
[0023] 其中Lf=Df_S，Df是对角阵，D^角线的元素是不同类样本的稀疏权重矩阵F对 应的行元素之和；
[0024] (9)结合步骤（7)和步骤（8)的结果，得到使同类样本之间距离最近，且不同类样 本之间距离最远的目标函数：
【主权项】
1.基于SRC与MFA相结合的图像分类方法，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：X= [x;...，：4,...，却..，与…，苗,...，皆…，剩下的图像 构成测试样本集X'GRdxH，其中R表示实数域，d表示原始空间中样本的维度，C表示训练 样本的类别数，Ni表示第i类的训练样本数，iGl...，C，1^表示第1类的第^'个训练样 本，jG1. . .，Ni，W=乙与W;表示所有训练样本的总数，H表示所有测试样本的总数； (2) 定义同类和不同类样本矩阵： 令4,表示与原始空间训练样本*^.同类的样本矩阵，且4,中不包含X;自身，即 As=[x'i...，x心x;'4...，x'w']，iG1. . .，C，jG1. . .，Ni; 令八。表示与原始空间训练样本1<^不同类的样本矩阵，即 Ad=[X;...，：s4i...，X；;-l...，X;l_,，X'i+V.，X^w，XiC...，X;]，iGl...，C，jGl...，Ni; (3) 初始化投影矩阵P=PiGRdxu，Pi为mATLAB软件随机生成的dXm维矩阵，其中m 为低维空间中训练样本的维度，m<<d;设初始迭代次数k= 1，根据收敛效果要求，设定 最大迭代步数t; (4) 将训练样本集X中的每一个训练样本投影到m维空间上，即y^.=pTx^.，5^表示m 维空间中第i类的第j个训练样本，T表示矩阵的转置； 妨获得同类样本的稀疏权重矩阵；S= [e;...，曲，…，，咕]其中e',为y',的 同类系数向量，iG1...，C，jG1...，Ni; 做获得不同类样本的稀疏权重矩阵；F二拉...古巧...去'..记...点^€护^"，其中3,,为yij.的不同类系数向量，ie1...，C,jG1...，Ni; (7) 由第（5)步中求得的同类样本的稀疏权重矩阵S，构建使同类样本之间距离最近的 目标函数： Ji(P) =argminpTXL曰X中 其中X为原始训练样本集，P为投影矩阵，L,=D,-S，D,是对角阵，D,的对角线元素是 同类样本的稀疏权重矩阵S对应的行元素之和； (8) 由第（6)步中求得的不同类样本的稀疏权重矩阵F，构建使不同类样本之间距离最 远的目标函数： J2。）=argmaxpTXLfX中 其中Lf=Df-S，Df是对角阵，Df对角线的元素是不同类样本的稀疏权重矩阵F对应的 行元素之和； (9) 结合步骤（7)和步骤巧）的结果，得到使同类样本之间距离最近，且不同类样本之 间距离最远的目标函数：
其中tr为矩阵的迹运算； (10) 构建求解步骤巧）中目标函数J(巧中投影矩阵P的广义特征方程： 狂LsXT)-iXLfXT曰 1=AJ曰J 其中，为矩阵化乃―iXLfXT的特征值，ai为Ai对应的特征向量； (11) 利用广义特征方程依次求解狂L并rXLfXT前q个最大特征对应特征向量a1，得 到投影矩阵P=[a1. . . ,a1. . . ,a。],i= 1. . . ,q，其中q= 3m/4 ; (。）令当前迭代次数k=k+1，比较k与t的大小，当k《t时，返回步骤（4)，当k>t时，输出最终的投影矩阵P' ； (13) 利用最终的投影矩阵P'对原始测试样本集X'进行投影，得到新的m维空间测试 样本P'TX' ； (14) 利用SRC稀疏表示分类器对新的m维空间测试样本集P'TX'进行分类识别。
2. 根据权利要求书1所述的方法，其中所述步骤巧）中获得同类样本的稀疏权重矩阵 S，按如下步骤进行： 巧a)W原始空间训练样本?同类的样本矩阵AJ乍为字典，计算m维空间中训练样本 对应的初始同类系数向量S'/，且保证与.的li范数最小，即； m虹s'j.1s.t.A^s^. =y'j, 巧b)对所求的初始同类系数向量S;?对应的不同类位置补零，得到y非勺同类系数向量；e'^ =[(、...0.s%0...，0]'e/?、、'， 巧c)利用m维空间中所有训练样本的同类系数向量构造同类样本稀疏权重矩阵： S= [e；石明…与…片…，砖c]e/?、'、，iG1. . .，C,jG1. . .，Ni。
3. 根据权利要求书1所述的方法，其中所述步骤化）中获得不同类样本的稀疏权重矩 阵F，按如下步骤进行： 化a)W原始空间训练样本不同类的样本矩阵Ad作为字典，计算m维空间中训练样本 应的初始不同类系数向量r，且保证f；的li范数最小，即； min||f；|s.t.A/；=y；., 化b)对所求初始不同类系数向量对应的同类位置补零，得到的不同类系数向量： [0…，0，f;，0...，0]' 化c)利用m维空间中所有训练样本的不同类系数向量构造不同类样本的稀疏权重矩 阵：F=拉...，g!v..，g;'...如…，g;c]E巧Wxw，iG1. . .，C，jG1. . .，Ni。
【专利摘要】本发明公开了一种基于SRC与MFA相结合的图像分类方法，主要解决现有特征提取方法因为仅考虑重构关系或局部判别结构，无法准确描述样本信息导致图片分类结果不理想的问题。其实现步骤是：1.输入训练样本和测试样本，构造同类和不同类样本矩阵，并初始化投影矩阵；2.对训练样本进行投影，分别以同类和不同类样本做字典，求解样本的稀疏表示系数，构造同类和不同类样本的稀疏权重矩阵；3.构造目标函数求解新的投影矩阵；4.对步骤2-3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，对测试样本投影；5.利用稀疏表示分类器对测试样本分类。本发明增强了图像分类的准确性，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】G06K9-62
【公开号】CN104794498
【申请号】CN201510230206
【发明人】刘阳, 高全学, 高新波, 王勇, 王前前
【申请人】西安电子科技大学
【公开日】2015年7月22日
【申请日】2015年5月7日