分类的百分比，得到每类测试图像最终的分类精度。
[0032] 进一步，所述一种快速局部约束低秩编码的图像分类方法中，训练部分中步骤iii 及测试部分中步骤III计算特征编码的低秩表示向量。
[0033] 现有低秩表示的编码方法是在允许的误差范围内寻找特征向量的低秩表示，即
[0035] s. t. X = DZ+E
[0036] 其中P1, μ 2> 0是误差惩罚项，λ P 〇是权值，Z为特征向量X在字典D下的表 示。其中Il Z Il $是核范数，Il E Il p是约束稀疏编码项的I i范数或者约束某一类干扰的12 i 范数。
[0037] 现有低秩优化算法常见的是采用拉格朗日乘子优化Augmented Lagrange Multiple algorithm(ALM)，优化表达式如下：
[0039] 其中Il · Il肩F范数（Frobenius norm)，λ 〇是权值，Y丨，丫2拉格朗日乘子， I^1, μ 2〉〇是误差惩罚项。
[0040] 上式1可采用典型的exact ALM或inexact ALM方法，采用迭代方法一步一步分 别更新特征表示向量Z和初始字典D。，这种方法的计算复杂度为0(mn2)，η为特征向量的个 数。这种计算来那个很大，而且是一种离线的迭代优化的方法，对增量式的输入图像无法得 到分类结果（如不属于该类别的图像求不出特征表示）。同时，现有的低秩约束只考虑了图 像特征的全局结构一致性，忽略了特征的局部空间相似性，不能全面的表示图像特征间的 关联信息。
[0041] 本方法中计算局部约束的低秩编码方法步骤如下：
[0042] a)在字典误差为零的情况下，E1= D-D。= 0, F范数Il · Il F可以取代核范 数Il · IN。上述优化表达式1变为
[0044] b)低秩约束采取联合编码方式，在图像特征全局结构一致性的基础上，弥补特征 的局部空间相似性，加入局部约束项
上述表达式2变为：
[0046] 其中λ1; λ 2>〇为不相等的权重，符号0表示两向量的对应元素相乘，Ρι为特征 向量X1和字典向量D的欧氏距离ρ i
[0048] distUoD) = [distUi, (I1),…，(IistUi, dk)]T, (IistUi, (Ii)是特征向量 Xi与每一 个字典向量山间的欧式距离，σ是调整局部约束速度的权重。
[0049] c)对上述表达式3进行求导
[0051] 最后计算得到特征表示向量 为kXk的单位向量。
[0052] 在求导过程中采取阈值约束项将特征表示向量Z1约束在0. 98以内。
[0053] 本发明的技术效果是毋庸置疑的，本发明采用一种快速的局部约束的低秩编码 分类方法，同时考虑图像特征的全局结构一致性和局部空间相似性，不仅能更好的表示图 像特征间的关联信息，得到有效的分类精度，而且计算量降低，分类速度稍大于LLC，仅是 ScSPM 的 19. 4 ~25%。
【附图说明】
[0054] 图1为图像分类总流程；
[0055] 图2为局部约束低秩编码（FLCLR)流程图；
[0056] 图3为表1中部分类的图像示例；
[0057] 图4为表2中部分类的图像示例；
[0058] 图5为表4中部分类的图像示例；
[0059] 图中：1_特征提取，2_特征编码，3_池化过程。
【具体实施方式】
[0060] 下面结合实施例对本发明作进一步说明，但不应该理解为本发明上述主题范围仅 限于下述实施例。在不脱离本发明上述技术思想的情况下，根据本领域普通技术知识和惯 用手段，做出各种替换和变更，均应包括在本发明的保护范围内。
[0061] 以下实施选取图像分类常用的权威图像库Scene 13和CaltechlOl作为分类测试 数据集。Scene 13是最常用的场景分类数据集，有13类图像，包含郊区（CALsuburb)，海岸 (MITcoast)，森林（MITforest)等共 4485 幅，每类包含 200 到 400 张图片。CaltechlOl 图 像库包含101类（如动物、花、人脸等）和一个背景类图像，共9144幅。每一类包含31到 800幅图像，并且有较大的类内差异，是图像分类最常用的数据库。
[0062] 如图1所示，整个实施步骤分为三大部分，第一部分是字典学习部分，根据数据集 提取所有SIFT特征，运用k-menas方法聚类等字典学习方法得到相应的字典。第二部分是 训练部分，选取每个数据集每类中的部分图像，其中Scene 13随机取100个作为训练图像， CaltechlOl随机取30个作为训练图像。然后针对这些训练图像的标签学习每个类别对应 的低秩表示，经过SPM量化得到经过SVM分类训练得到类别标签和特征表示对应的核函数。 第三部分是测试部分，以每个数据库中剩余的所有图像作为待分类的测试图像，针对任意 一张不知类别的图像，首先提取SIFT特征，然后求得其在字典下的低秩编码向量，经过SPM 量化得到最终的特征表示矩阵，将其输入训练部分所得到的SVM分类器，进而得到该图像 所属的类别。
[0063] 预处理说明：把图像大小调整为最大300X300像素，特征提取密集釆样的网格为 16X 16像素，其步长为4像素。
[0064] 字典学习部分：
[0065] 1)对图像库中所有的图像提取SIFT局部特征，得到输入特征向量矩阵X = [Xl，x2, ···，&] eRmXn，其中Xi GRn是图像的第i个局部特征向量，其中m为向量的维数， η为向量个数。
[0066] 2)利用K-means方法聚类或者其他字典学习方法，对所有图像提取的特征向量进 行聚类处理，得到过完备字典D= [C^d2，…，dk] GRmxk，其中k是字典的维数，m为字典基 的数目，满足字典过完备性m << k，其中k为字典的维数取1024。
[0067] 训练部分：
[0068] i)对选取的训练图像提取SIFT特征，得到输入特征向量矩阵X' = [X' D X' 2，~ ，X'J e Rmx'其中Xi' GRn是特征向量矩阵的第i个分量向量。
[0069] ii)计算训练图像中的每个特征向量X1'和字典向量之间的欧氏距离P1，计算公式 如下：
[0071] dist (xj
，D) = [dist (xj，(I1)，…，dist (xZ，dk) ]T, dist (xj，(Ii)是特征向量 xZ 与每一个字典向量山间的欧式距离；σ是调整局部约束速度的权重，取100。
[0072] iii)计算局部约束低秩编码的特征表示向量Z，计算公式为：
[0074] 其中I为单位矩阵，维度与Z -致，λ λ 2> 〇是权重，λ λ 2按照文献Wang和 Peng的经验值取值分别为0. 7,0. 0001。P1为上述步骤2中计算得到的欧氏距离。
[0075] 步骤ii和步骤iii寻求得到特征向量矩阵X在字典D下的特征表示向量ζ，即X = DZ,其中Z= [Zl，Z1，…，zj GRkxn。算法流程图如图2所示。
[0076] iv)采用空间金字塔匹配方法，将Z分成2^2?，其中1 = 1，2, 4,分别代表不同 的三层对应的空间金字塔分块的个数。然后针对每层中每个字块的Z1进行最大池化，保持 特征表示向量具有一定的鲁棒性，即Zi= max{ I z H I，I z2i I，…，I Zy I }，得到最终的低秩编码 的第i向量Z1，其中Z]1是第j块中的第i个元素 ，j = 2 ^21,这样得到最后的特征表示矩 阵Z，。
[0077] V)将特征表示矩阵Z'输入SVM分类器，根据每类图像类别标签和其对应的特征表 示矩阵Z'，学习得到SVM分类器的核函数。
[0078] 测试部分：
[0079] I)对图像库中剩余的所有图像提取SIFT特征，得到输入特征向量矩阵X* = [X1*, X1*,…，xn*] e Rmxn，其中Xi* e Rn是特