专利名称：一种基于投影残差的分类方法
技术领域：
本发明涉及图像、声音等高维数据的识别领域，特别是涉及一种基于投影残差的分类方法。
背景技术：
在日常生活中我们会遇到各种各样的声音、图像等高维数据。目前广泛使用的分类器有 KNN(K-Nearest Neighbor Algorithm, K 最邻近结点算法)，Adaboost (Adaptive Boosting,自适应增强算法)，SVM(Support Vector Machine 支持向量机)，KFD (Kernel Fisher Discriminant Analysis核鉴别分析算法)。其中以SVM最为流行，它使用高斯核函数时，对USPS(用于手写体数字识别的样本数据库)的识别率达到了 95.5%。但SVM致力于在两个类别之间建立边界，所以它一次只能区分两个类别，对于一个K类问题，就需要
足次比较，当K很大时，计算速度就非常慢。
发明内容
针对现有技术存在的问题，本发明的主要目的在于提供一种能够针对多类问题直接进行识别、速度快、识别率高的基于投影残差的分类方法。为实现上述目的，本发明提供一种基于投影残差分类方法的实施例，所述方法包括如下步骤步骤一、改变测试样本中每个物体k的图像集合Ik，使所述图像集合Ik成为互相正交的、低维的特征图像空间FIk ；步骤二、提取所述每个互相正交的、低维特征图像空间FIk的主成分Vm ；步骤三、计算待测试图像χ的映射树X)到所述每个特征图像空间Fik的投影残差， 所述计算投影残差的方法如下(1)使用特征映射^将待测试图像χ映射为树；(2)向所述每个特征图像空间FIk的主成分Vkij进行投射
权利要求
1.一种基于投影残差的分类方法，其特征在于该分类方法包括如下步骤步骤一、改变测试样本中每个物体k的图像集合Ik，使所述图像集合Ik成为互相正交的、低维的特征图像空间FIk;步骤二、提取所述每个互相正交的、低维特征图像空间FIk的主成分Vk, j ； 步骤三、计算待测试图像χ的映射树χ)到所述每个特征图像空间FIk的投影残差，所述计算投影残差的方法如下(1)使用特征映射ρ将待测试图像χ映射为Wx)；(2)向所述每个特征图像空间FIk的主成分Vk,」进行投射
2.根据权利要求1所述基于投影残差的分类方法，其特征在于，所述步骤一是使用高斯核函数相对应的非线性特征映射F来改变测试样本中每个物体k的图像集合Ik0
3.根据权利要求2所述基于投影残差的分类方法，其特征在于，所述高斯核函数的表达式为=<>= Kv2) = exp(-11 x'"x2211 )其中Xl、&为测试样本，。为高斯核函2σ ,数的参数，σ可以为75000000。
4.根据权利要求1所述基于投影残差的分类方法，其特征在于，所述步骤一是使用流行学习来改变测试样本中每个物体k的图像集合Ik。
5.根据权利要求4所述基于投影残差的分类方法，其特征在于，所述流行学习方法用测地距离来代替高斯核函数中的欧式距离。
6.根据权利要求5所述基于投影残差的分类方法，其特征在于，所述流行学习方法的核函数表达式为:<^(xj^(x2)>= ^(X1,x2) = exp(-l|x'l|2+l|X2 "^1'2),Ji:2σ中Xi、&是测试样本，y^ Y2是离Xp X2最近的流行学习样本，mp Hl2是yi、Y2在流行上的坐标，IIl1, Hl2 之间的欧式距离代表了 U2之间的测地距离。
7.根据权利要求1所述基于投影残差的分类方法，其特征在于，所述步骤二是利用核主成分分析方法来提取每个特征图像空间FIk的主成分Vk,ρ
全文摘要
本发明公开了一种基于投影残差的分类方法，包括如下步骤步骤一、改变测试样本中每个物体k的图像集合Ik，使图像集合Ik成为互相正交的、低维的特征图像空间FIk；步骤二、提取每个互相正交的、低维特征图像空间FIk的主成分Vk，j；步骤三、计算待测试图像x的映射到每个特征图像空间FIk的投影残差；步骤四、判断在某个物体的特征图像空间的投影残差最小，待测试图像x即为该投影残差最小的物体的图像。本发明相对于现有技术，首先该分类方法直接寻找最近的特征图像空间，能够对多类问题直接进行识别，速度快，识别率高；其次，当将流行学习方法添加到非线性特征映射来改变测试样本中物体的图像集合时，能在训练样本较少的情况下提高识别率，识别效果稳定。
文档编号G06K9/62GK102298703SQ201110098940
公开日2011年12月28日 申请日期2011年4月20日 优先权日2011年4月20日
发明者于传帅, 冯勇, 张景中, 徐可佳, 曾丽, 谭治英 申请人:中科院成都信息技术有限公司