基于自适应特征和分类模型选择的图像识别方法及系统的制作方法
【专利摘要】本发明提供了一种基于自适应特征和分类模型选择的图像识别方法及系统，全面考虑了不同种类的图像的识别，不局限于单一图像特征的匹配，也异于组合特征匹配方法，具有较高的灵活性。本发明为图像识别检索模型预先设置较为全面的特征提取方法，并且为每个特征设置一种相应的分类器，同时确定计算图像特征间距离的方法并根据计算距离的结果确定特征库中与待识别图像的特征距离最近的特征，为待分类识别的图像自适应地指定合适的分类器进行特征匹配以及类判别，以提高图像识别率，当待识别的图像受各种不良因素影响时，使用同一种识别模型均具有较好的识别效果，可以解决目标图像类型发生改变等情况下识别模型的匹配性能降低的问题。
【专利说明】基于自适应特征和分类模型选择的图像识别方法及系统
【技术领域】
[0001]本发明涉及图像处理、模式识别以及机器学习【技术领域】，特别涉及一种基于自适应特征和分类模型选择的图像识别方法及系统。
【背景技术】
[0002]目前，图像分类识别方法多为基于图像特征进行匹配、识别和检索，即用机器学习方法设计一个算法模型，用一定数量样本的图像数据库根据一定特征提取方法所提取的特征，对该算法模型进行训练，使之具有一定的认知能力；之后，模型输入一张未知类别的样本图像，即测试图像，根据相似度等准则对未知图像和已知图像数据库做匹配，以此确定输入测试图像的身份。
[0003]现有的图像分类识别方法主要有如下缺点:
[0004](I)需要事先确定合适的图像特征提取方法，由于待确定类别的图像具有很多未知因素，比如，图像部分缺失、摄像角度偏转等因素，因此预先设置的特征提取方法并不适应于所有的样本。
[0005](2)不同的特征提取方法要结合相应的分类识别算法才能体现较好的识别结果，要获得精确的识别率，算法模型比较复杂。
【发明内容】
[0006]本发明的目的在于提供一种基于自适应特征和分类模型选择的图像识别方法及系统，能够解决目标图像类型发生改变等情况下识别模型的匹配性能降低的问题。
[0007]为解决上述问题，本发明提供一种基于自适应特征和分类模型选择的图像识别方法，包括:
[0008]设置供训练和测试的图像样本数据库，并把所述图像样本数据库划分为若干个子类，每一子类中图像样本数据具有一种或多种共同的特征；
[0009]确定每一种特征的提取方法，并为每一种特征的提取方法确定相应的分类器；
[0010]对所有子类中的图像样本数据分别根据所有特征的提取方法提取特征组成特征库，并对所述特征库中所有特征进行一致性处理；
[0011]对所述特征库中的每一种特征用所有的分类器轮流进行训练，并从所述特征库中随机选择部分图像用以验证分类器的识别率，根据识别率的验证结果为每个子类确定识别率最高的一种特征及对应的分类器；
[0012]对待识别图像用所有特征的提取方法提取对应的特征，并对提取到的特征进行一致性处理；
[0013]根据预设的计算距离方法确定所述待识别图像的特征和所述特征库中的每一种特征的距离，根据距离计算的结果确定特征库中与待识别图像的特征距离最近的特征；
[0014]根据预设的计算距离方法确定所述待识别图像的特征和所述特征库中的每一种特征的距离，根据计算距离的结果确定特征库中与待识别图像的特征距离最近的特征；
[0015]根据与待识别图像的特征距离最近的特征确定与该特征相对应的分类器，根据确定的对应的分类器确定对应的子类，使用确定的对应的分类器在对应的子类中检索识别出与待识别图像匹配的图像样本数据。
[0016]进一步的，在上述方法中，所述提取方法为LBP方法。
[0017]进一步的，在上述方法中，所述提取方法为SIFT方法。
[0018]根据本发明的另一面，提供一种基于自适应特征和分类模型选择的图像识别系统，包括:
[0019]划分模块，用于设置供训练和测试的图像样本数据库，并把所述图像样本数据库划分为若干个子类，每一子类中图像样本数据具有一种或多种共同的特征；
[0020]确定模块，用于确定每一种特征的提取方法，并为每一种特征的提取方法确定相应的分类器；
[0021]第一提取模块，用于对所有子类中的图像样本数据分别根据所有特征的提取方法提取特征组成特征库，并对所述特征库中所有特征进行一致性处理，以使不同的特征可用同一准则进行比较；
[0022]训练和选择模块，用于对所述特征库中的每一种特征用所有的分类器轮流进行训练，并从所述特征库中随机选择部分图像用以验证分类器的识别率，根据识别率的验证结果为每个子类选择识别率最高的一种特征及对应的分类器；
[0023]第二提取模块，用于对待识别图像用所有特征的提取方法提取对应的特征，并对提取到的特征进行一致性处理，以使不同的特征可用统一准则进行比较；
[0024]距离模块，用于根据预设的计算距离方法确定所述待识别图像的特征和所述特征库中的每一种特征的距离，根据计算距离的结果确定特征库中与待识别图像的特征距离最近的特征；
[0025]匹配模块，用于根据与待识别图像的特征距离最近的特征确定对应的分类器，根据确定的对应的分类器确定对应的子类，使用确定的对应的分类器在对应的子类中检索识别出与待识别图像匹配的图像样本数据。
[0026]进一步的，在上述系统中，所述提取方法为LBP方法。
[0027]进一步的，在上述系统中，所述提取方法为SIFT方法。
[0028]与现有技术相比，本发明的模型全面考虑了不同种类的图像的识别，不局限于单一图像特征的匹配，也异于组合特征匹配方法，具有较高的灵活性，为图像识别检索模型预先设置较为全面的特征提取方法，并且为每个特征设置一种相应的分类器；同时计算距离方法和根据计算距离的结果确定特征库中与待识别图像的特征距离最近的特征，为对待分类识别的图像自适应地指定合适的分类器进行特征匹配以及类判别，以提高图像识别率，能自适应地为各种各样的待确定类别的图像选择正确的特征提取方法及相应的识别检索方法，当待识别的图像受各种不良因素影响时，使用同一种识别模型均具有较好的识别效果，具有较高的实用性，可以解决目标图像类型发生改变等情况下识别模型的匹配性能降低的问题，具有可靠、实时性高、鲁棒性强等优点，可为智能监控等领域提供可靠支持。
【专利附图】
【附图说明】
[0029]图1是本发明一实施例的基于自适应特征和分类模型选择的图像识别方法的流程图；
[0030]图2是本发明一实施例的基于自适应特征和分类模型选择的图像识别系统的模块图。
【具体实施方式】
[0031]为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和【具体实施方式】对本发明作进一步详细的说明。
[0032]实施例一
[0033]如图1所示，本发明提供一种基于自适应特征和分类模型选择的图像识别方法，包括:
[0034]步骤SI，设置供训练和测试的图像样本数据库，并把所述图像样本数据库划分为若干个子类，每一子类中图像样本数据具有一种或多种共同的特征；
[0035]步骤S2，确定每一种特征的提取方法，并为每一种特征的提取方法确定相应的分类器；
[0036]步骤S3，对所有子类中的图像样本数据分别根据所有特征的提取方法提取特征组成特征库，并对所述特征库中所有特征进行一致性处理，以使不同的特征可用统一准则进行比较；
[0037]步骤S4，对所述特征库中的每一种特征用所有的分类器轮流进行训练，并从所述特征库中随机选择部分图像用以验证分类器的识别率，根据识别率的验证结果为每个子类确定识别率最高的一种特征及对应的分类器；
[0038]步骤S5，对待识别图像用所有特征的提取方法提取对应的特征，并对提取到的特征进行一致性处理，以使不同的特征可用统一准则进行比较；
[0039]步骤S6，根据预设的计算距离方法确定所述待识别图像的特征和所述特征库中的每一种特征的距离，根据距离计算的结果确定特征库中与待识别图像的特征距离最近的特征；
[0040]步骤S7，根据与待识别图像的特征距离最近的特征确定与该特征相对应的分类器，根据确定的对应的分类器确定对应的子类，使用确定的对应的分类器在对应的子类中检索识别出与待识别图像匹配的图像样本数据。
[0041]优选的,所述提取方法为LBP方法(局部二值模式，Local Binary Patterns)。
[0042]优选的，所述提取方法为SIFT方法(尺度不变特征转换，Scale-1nvariantfeature transform)。
[0043]本实施例的模型全面考虑了不同种类的图像的识别，不局限于单一图像特征的匹配，也异于组合特征匹配方法，具有较高的灵活性。为图像识别检索模型预先设置较为全面的特征提取方法，并且为每个特征设置一种相应的分类器；同时确定计算图像特征间距离的方法并根据计算距离的结果确定特征库中与待识别图像的特征距离最近的特征，为对待分类识别的图像自适应地指定合适的分类器进行特征匹配以及类判别，以提高图像识别率，能自适应地为测试范围内各种各样的待确定类别的图像选择正确的特征提取方法及相应的识别检索方法，当待识别的图像受各种不良因素影响时，使用同一种识别模型均具有较好的识别效果，具有较高的实用性，可以解决目标图像类型发生改变等情况下识别模型的匹配性能降低的问题，具有可靠、实时性高、鲁棒性强等优点，可为智能监控等领域提供可靠支持。
[0044]实施例二
[0045]如图2所示，本发明还提供另一种基于自适应特征和分类模型选择的图像识别系统，包括:
[0046]划分模块1，用于设置供训练和测试的图像样本数据库，并把所述图像样本数据库划分为若干个子类，每一子类中图像样本数据具有一种或多种共同的特征；
[0047]确定模块2，用于确定每一种特征的提取方法，并为每一种特征的提取方法确定相应的分类器；
[0048]第一提取模块3，用于对所有子类中的图像样本数据分别根据所有特征的提取方法提取特征组成特征库，并对所述特征库中所有特征进行一致性处理，以使不同的特征可用同一准则进行比较；
[0049]训练和选择模块4，用于对所述特征库中的每一种特征用所有的分类器轮流进行训练，并从所述特征库中随机选择部分图像用以验证分类器的识别率，根据识别率的验证结果为每个子类选择识别率最高的一种特征及对应的分类器；
[0050]第二提取模块5，用于对待识别图像用所有特征的提取方法提取对应的特征，并对提取到的特征进行一致性处理，以使不同的特征可用统一准则进行比较；
[0051]距离模块6，用于根据预设的计算距离方法确定所述待识别图像的所有特征和所述特征库中的每一种特征的距离，根据距离计算的结果确定特征库中与待识别图像的特征距离最近的特征；
[0052]匹配模块7，用于根据与待识别图像的特征距离最近的特征确定与该特征相对应的分类器，根据确定的对应的分类器确定对应的子类，使用确定的对应的分类器在对应的子类中检索识别出与待识别图像匹配的图像样本数据。
[0053]优选的,所述提取方法为LBP方法(局部二值模式，Local Binary Patterns)。
[0054]优选的，所述提取方法为SIFT方法(尺度不变特征转换，Scale-1nvariantfeature transform)。
[0055]综上所述，本发明的模型全面考虑了不同种类的图像的识别，不局限于单一图像特征的匹配，也异于组合特征匹配方法，具有较高的灵活性，为图像识别检索模型预先设置较为全面的特征提取方法，并且为每种特征设置一种相应的分类器，同时确定计算图像特征间距离的方法并根据计算距离的结果确定特征库中与待识别图像的特征距离最近的特征，为对待分类识别的图像自适应地指定合适的分类器进行特征匹配以及类判别，以提高图像识别率，能自适应地为测试范围内各种各样的待确定类别的图像选择正确的特征提取方法及相应的识别检索方法，当待识别的图像受各种不良因素影响时，使用同一种识别模型均具有较好的识别效果，具有较高的实用性，可以解决目标图像类型发生改变等情况下识别模型的匹配性能降低的问题，具有可靠、实时性高、鲁棒性强等优点，可为智能监控等领域提供可靠支持。
[0056]本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0057]专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0058]显然，本领域的技术人员可以对发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。
【权利要求】
1.一种基于自适应特征和分类模型选择的图像识别方法，其特征在于，包括: 设置供训练和测试的图像样本数据库，并把所述图像样本数据库划分为若干个子类，每一子类中图像样本数据具有一种或多种共同的特征； 确定每一种特征的提取方法，并为每一种特征的提取方法确定相应的分类器； 对所有子类中的图像样本数据分别根据所有特征的提取方法提取特征组成特征库，并对所述特征库中所有特征进行一致性处理； 对所述特征库中的每一种特征用所有的分类器轮流进行训练，并从所述特征库中随机选择部分图像用以验证分类器的识别率，根据识别率的验证结果为每个子类确定识别率最高的一种特征及对应的分类器； 对待识别图像用所有特征的提取方法提取对应的特征，并对提取到的特征进行一致性处理； 根据预设的计算距离方法确定所述待识别图像的所有特征和所述特征库中的每一种特征的距离，根据距离计算的结果确定特征库中与待识别图像的特征距离最近的特征；根据预设的计算距离方法确定所述待识别图像的特征和所述特征库中的每一种特征的距离，根据计算距离的结果确定特征库中与待识别图像的特征距离最近的特征； 根据与待识别图像的特征距离最近的特征确定与该特征相对应的分类器，根据确定的对应的分类器确定对应的子类，使用确定的对应的分类器在对应的子类中检索识别出与待识别图像匹配的图像样本数据。
2.如权利要求1所述的基于自适应特征和分类模型选择的图像识别方法，其特征在于，所述提取方法为LBP方法。
3.如权利要求1所述的基于自适应特征和分类模型选择的图像识别方法，其特征在于，所述提取方法为SIFT方法。
4.一种基于自适应特征和分类模型选择的图像识别系统，其特征在于，包括: 划分模块，用于设置供训练和测试的图像样本数据库，并把所述图像样本数据库划分为若干个子类，每一子类中图像样本数据具有一种或多种共同的特征； 确定模块，用于确定每一种特征的提取方法，并为每一种特征的提取方法确定相应的分类器； 第一提取模块，用于对所有子类中的图像样本数据分别根据所有特征的提取方法提取特征组成特征库，并对所述特征库中所有特征进行一致性处理； 训练和选择模块，用于对所述特征库中的每一种特征用所有的分类器轮流进行训练，并从所述特征库中随机选择部分图像用以验证分类器的识别率，根据识别率的验证结果为每个子类选择识别率最高的一种特征及对应的分类器； 第二提取模块，用于对待识别图像用所有的特征提取方法提取对应的特征，并对提取到的特征进行一致性处理； 距离模块，用于根据预设的计算距离方法确定所述待识别图像的所有特征和所述特征库中的每一种特征的距离，根据距离计算的结果确定特征库中与待识别图像的特征距离最近的特征； 匹配模块，用于根据与待识别图像的特征距离最近的特征确定与该特征相对应的分类器，根据确定的对应的分类器确定对应的子类，使用确定的对应的分类器在对应的子类中检索识别出与待识别图像匹配的图像样本数据。
5.一种基于自适应特征和分类模型选择的图像识别系统，其特征在于，所述提取方法为LBP方法。
6.一种基于自适应特征和分类模型选择的图像识别系统，其特征在于，所述提取方法为SIFT方法。
【文档编号】G06K9/46GK104281843SQ201410557595
【公开日】2015年1月14日 申请日期:2014年10月20日 优先权日:2014年10月20日
【发明者】刘中华 申请人:上海电机学院