一种压缩感知域的图像筛选、检索和识别方法
【技术领域】
[0001]本发明涉及压缩感知技术领域，尤其涉及一种压缩感知域的图像筛选、检索和识别方法。
【背景技术】
[0002]压缩采样可有效减少诸如视觉大数据的数据量，而且压缩采样的数据可直接实现保密传输，因此压缩采样在数据采集中具有广泛的应用前景。
[0003]然而，采用传统的方法，如果要实现对压缩采样数据的筛选、检索或识别，压缩感知采样的数据一般需要通过复杂的重建算法重建出原始数据后，才能进行后续的特征提取和模式识别，其过程为投影数据 > 重建算法 > 特征提取 > 模式识别。这样一方面算法复杂度较高，另一方面，重建后数据冗余量增加，处理量增大。
【发明内容】
[0004]本发明的目的是提供一种压缩感知域的图像筛选、检索和识别方法，其简化了重建算法和特征提取过程，在保证正确识别率的情况下，大大提高算法的效率。
[0005]本发明的目的是通过以下技术方案实现的:
[0006]一种压缩感知域的图像筛选、检索和识别方法，包括:
[0007]构造特征提取稀疏变换矩阵Φ，并通过正交匹配追踪OMP算法从投影数据Y中提取对应特征提取稀疏变换矩阵Φ的稀疏特征Y’ ;
[0008]对于每一目标样本数据X，基于所述特征提取稀疏变换矩阵Φ计算其变换结果V ;
[0009]利用基于OMP算法的渐进分组加权匹配算法对稀疏特征Y’与变换结果V进行匹配，实现图像筛选、检索和识别。
[0010]所述的投影数据Y与每一目标样本数据X之间的关系式为:
[0011]Y = AX;
[0012]其中，A为投影矩阵；
[0013]引入所构造的特征提取稀疏变换矩阵Φ后，上述关系式变为:
[0014]Y = AX = A Φ 1ItX;
[0015]设:ΑΦi= A’，ΦΧ = X’，则有:
[0016]Y = A，X，；
[0017]其中，A’的列向量为A的若干列向量的线性组合，A’仍保留A的随机矩阵的特性；V为基于所述特征提取稀疏变换矩阵Φ计算得到的每一目标样本数据X的变换结果。
[0018]所述对于每一目标样本数据X，基于所述特征提取稀疏变换矩阵Φ计算其变换结果X’包括:
[0019]若特征提取稀疏变换矩阵Φ为小波变换或多尺度几何分析的特征提取稀疏变换矩阵，则构造左乘变换矩阵，直接对每一目标样本数据X进行变换，获得变换结果V ;
[0020]若特征提取稀疏变换矩阵Φ为最优小波包变换矩阵，则构造相应的左乘变换矩阵，计算变换结果V，则X’可逼近最优的K-L变换结果；
[0021]若特征提取稀疏变换矩阵Φ为上述最优小波包变换矩阵，则构造相应的左乘变换矩阵，通过逼近K-L变换，近似实现模式识别特征提取中的主分量分析变换矩阵PCA，则变换结果X’即为PCA的变换系数，单个系数的小波包逆变换即为对应的特征向量，对于人脸图像，即对应特征脸。
[0022]所述利用基于OMP算法的渐进分组加权匹配算法算法对稀疏特征Y’与变换结果V进行匹配，实现图像筛选、检索和识别包括:
[0023]输入OMP算法的重建系数，再对重建系数进行分组与加权调整；
[0024]对稀疏特征Y’与变换结果V进行匹配；
[0025]根据匹配结果完成当前目标样本的数据X的识别，从而判断当前目标样本数据X是否为待筛选与待检索的数据。
[0026]由上述本发明提供的技术方案可以看出，对压缩感知采样的数据，无需经过复杂耗时的重建算法，直接在压缩感知域，实现采集图像的筛选、检索和识别；这样，有效降低算法复杂度，特别对于海量的视觉数据(如海量遥感图像数据)，会显著提高筛选、检索和识别效率。
【附图说明】
[0027]为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。
[0028]图1为本发明实施例提供的一种压缩感知域的图像筛选、检索和识别方法的流程图；
[0029]图2为本发明实施例提供的匹配过程的流程图。
【具体实施方式】
[0030]下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。
[0031]实施例
[0032]图1为本发明实施例提供的一种压缩感知域的图像筛选、检索和识别方法的流程图。如图1所示，其主要包括如下步骤:
[0033]步骤11、构造特征提取稀疏变换矩阵Φ，并通过正交匹配追踪OMP算法从投影数据Y中提取对应特征提取稀疏变换矩阵Φ的稀疏特征Y’。
[0034]步骤12、对于目标样本数据X，基于所述特征提取稀疏变换矩阵Φ计算其变换结果X’。
[0035]步骤13、利用基于OMP算法的渐进分组加权匹配算法对稀疏特征Y’与变换结果V进行匹配，实现图像筛选、检索和识别。
[0036]上述方法直接在压缩感知域，实现采集图像的筛选、检索和识别；可有效降低算法复杂度，特别对于海量的视觉数据(如海量遥感图像数据)，会显著提高筛选、检索和识别效率。
[0037]为了便于理解，下面对上述过程做详细的说明。
[0038]本发明实施例中，所述的投影数据Y与每一目标样本数据X之间的关系式为:
[0039]Y = AX ；
[0040]其中，A为投影矩阵；严格来说，此处的X为待投影数据的一维列向量(二维图像可重排为一维列向量)；
[0041]引入前文所构造的特征提取稀疏变换矩阵Φ后，上述关系式变为:
[0042]Y = AX = A Φ 1ItX;
[0043]设:AΦ '= Ky, Φ X = X，，则有:
[0044]Y = A，X，；
[0045]其中，由于所构造的特征提取稀疏变换矩阵Φ —般为线性稀疏矩阵，因此，A’的列向量为A的若干列向量的线性组合，A’仍保留A的随机矩阵的特性；X’为基于所述特征提取稀疏变换矩阵Φ计算得到的每一目标样本数据X的变换结果。
[0046]本发明实施例中，所述对于每一目标样本数据X，基于所述特征提取稀疏变换矩阵Φ计算其变换结果X’包括:
[0047]若特征提取稀疏变换矩阵Φ为小