基于相异性的特征融合识别方法与流程

本发明涉及识别领域，尤其涉及一种基于相异性的特征融合识别方法。

背景技术：

当前，融合分为前期融合和后期融合，前期融合为同时提取图像的多个特征，并将这些进行拼接，由此拼接特征生成的聚类中心词即为多特征的组合，进而生成的直方图也是以该组合特征为柄的向量，再对此得到的直方图向量进行训练和预测；后期融合为每次提取图像的一个特征，并生成该特征对应的直方图，再使用不同的核函数并匹配不同的系数将不同特征的核函数连接起来，以进行分类和预测。而基于相异性的特征提取中，Pekalska和Duin提出了可以减少特征冗余的基于相异性的特征，即将所获得的特征与其聚类中心之间的差值作为特征，可以大幅缩小特征的维度，2012年，R.Satta等人将这种方法用于多部分的行人重新识别定位中。

但是，现有的特征融合技术会构造出庞大的高维特征向量、或者构造出由多个待拟合参数的核函数连接向量，因此，常常会面临特征维过高(近千维)、特征维度不一致、计算量较大、需要配置的参数较多等问题；另外，后期融合中采用的多核融合方法常常需要选择每个特征的核函数，并需要设置选取的核函数的参数和相互之间的连接权重，从而容易造成由人工选取核类别及其参数而造成的不稳定；现有的基于相异性的特征提取中，其聚类中心常常受到所选取样本的影响，不稳定，且没有有效的体现如具体颜色和纹理等的直观特征，因此无法从特征中提取其具体颜色或纹理属性，需要再进行样本学习获得具体的颜色和纹理信息，从而造成一定的计算冗余；现有的基于相异性的特征的识别方法嵌套在区域匹配模型中，是通过分别求取待识别的两幅图像各区域的相异性特征的距离，以判断是否被判断目标是否接近，应用较为单一，没有充分利用相异性特征的应用范围。

技术实现要素：

为了解决现有技术中的问题，本发明提供了一种基于相异性的特征融合识别方法，解决现有技术中服装识别方法在特征数量、特征信息和运算速度之间的矛盾的问题。

本发明是通过以下技术方案实现的：设计、制造了一种基于相异性的特征融合识别方法，包括如下步骤：(A)设置不同类型的聚类中心；(B)生成基于聚类中心相异性的特征向量；(C)特征融合；(D)特征判断。

作为本发明的进一步改进：所述步骤(A)中，将图像分成不同的小块，根据每个小块的尺寸，设置模板颜色、模板纹理以及模板形状作为聚类中心，分别计算每个子区域到聚类中心的距离作为特征并得到相异性特征。

作为本发明的进一步改进：所述步骤(B)中：将图像分成不同的小块，对每个小块，根据每个小块的尺寸，每一个小块的颜色、纹理以及形状特征与对应的模板颜色、模板纹理、模板形状特征之间的距离作为其特征向量；将所有小块的距离特征向量连接进而得到图像整体的相异性特征向量。

作为本发明的进一步改进：所述步骤(C)中，进行多特征的前期融合和后期融合，前期融合为将不同类型的特征连接起来，组合而成的特征向量整体进行后续的训练和分类；后期融合为使用合适的核函数将不同的特征进行后续融合，再进行后续的训练和分类。

作为本发明的进一步改进：所述步骤(D)中，根据距离最近的聚类中心来获得该小块乃至整个图像区域对应的不同特征，进而获得聚类中心，该聚类中心不受所选取的样品影响。

作为本发明的进一步改进：所述步骤(D)中，在融合过程中，不同类型特征的维度均为距离值且仅由对应特征的聚类中心数目决定。

作为本发明的进一步改进：不同的特征选择相同的核函数进行融合。

本发明的有益效果是：避免了多特征融合中容易出现的特征维过高(近千维)、不同类型的特征维度不一致、计算量较大、需要配置的参数较多等问题；稳定性较高；拓展了现有的基于相异性的特征的识别方法的应用模型，使其不必须嵌套在区域匹配模型中，丰富了相异性特征的应用。

【附图说明】

图1为本发明总体示意图；

图2为本发明流程示意图。

【具体实施方式】

下面结合附图说明及具体实施方式对本发明进一步说明。

一种基于相异性的特征融合识别方法，包括如下步骤：(A)设置不同类型的聚类中心；(B)生成基于聚类中心相异性的特征向量；(C)特征融合；(D)特征判断。

所述步骤(A)中，将图像分成不同的小块，根据每个小块的尺寸，设置模板颜色、模板纹理以及模板形状作为聚类中心，分别计算每个子区域到聚类中心的距离作为特征并得到相异性特征。通过设置已知的模板颜色、模板纹理和模板形状作为聚类中心，并分别计算每个子区域到这些聚类中心的距离作为特征，即可得到相异性特征，由于相异性特征的维度取决于聚类中心的数目，因此，其维度可控且远小于特征的直接组合，从而避免了特征维过高、计算量大的问题。

所述步骤(B)中：将图像分成不同的小块，对每个小块，根据每个小块的尺寸，每一个小块的颜色、纹理以及形状特征与对应的模板颜色、模板纹理、模板形状特征之间的距离作为其特征向量；将所有小块的距离特征向量连接进而得到图像整体的相异性特征向量。

所述步骤(C)中，进行多特征的前期融合和后期融合，前期融合为将不同类型的特征连接起来，组合而成的特征向量整体进行后续的训练和分类；后期融合为使用合适的核函数将不同的特征进行后续融合，再进行后续的训练和分类。融合时：不同类型特征的维度仅由对应特征的聚类中心数目决定，并且均为距离值，因此在多特征的后期融合中可以使用相同的核函数对不同类型的特征进行连接，即不同的特征也可以选择相同的核函数，从而避免了传统的后期多核融合方法需要选择每个特征的核函数，并设置选取的核函数的参数和相互之间的连接权重，而造成的由人工选取核类别及其参数造成的不稳定性。

所述步骤(D)中，根据距离最近的聚类中心来获得该小块乃至整个图像区域对应的不同特征，进而获得聚类中心，该聚类中心不受所选取的样品影响。在一实施例中，根据距离最近的聚类中心来获得该小块乃至整个服装区域对应的颜色、纹理、形状特性，得到的聚类中心不受所选取的样本影响，稳定性较高，且可以有效的体现颜色或纹理特征的直观特性，从而减少计算冗余。

所述步骤(D)中，在融合过程中，不同类型特征的维度均为距离值且仅由对应特征的聚类中心数目决定。

不同的特征选择相同的核函数进行融合。

在一实施例中，如图1，多特征进行前期融合时，其连接函数为f1(d(P_ic，C₁)…d(P_ic，CM)，d(P_it，T1)…d(P_it，TN)，d(P_is，S1)…d(P_is，So))，其中，Ci对应颜色，Tj对应纹理，Sk对应形状，另外一连接函数为f2(D(P1，F)，D(P2，F)…D(PZ，F))；在进行多特征的后期融合时，颜色Ci对应连接函数为f1(d(Pic，C1)…(Pic，Cm))，纹理TJ对应连接函数为f1(d(Pit，T1)…d(Pit，T_N))，形状Sk对应连接函数为f1(d(Pis，S1)…d(Pis，So))，另外一连接函数分别对应为f2(d(Pi，C)…d(Pz，C))，纹理f2(d(Pi，T)…d(Pz，T))，形状f2(d(Pi，s)…d(Pz，S)),然后统一核函数，从而进行多特征的后期融合。

在一种实施例中，如图1以及图2，一种基于相异性的特征融合识别方法，按以下方式完成：

步骤1.设置不同的颜色和纹理聚类中心：

将服装图像按BoF的方法分为小块P_x×y。根据每个小块的尺寸，分别设置M个模板颜色特征向量：红色、绿色、黄色、白色；N个模板纹理特征向量：条纹、格子、波点；O个模板形状特征向量：短袖、长袖、长裤、长裙等作为聚类中心。

M个模板颜色特征向量：C＝{C₁,C₂,...,C_M}其中，C_i＝{c_1,1,c_1,2,c_1,3,c_2,1,c_2,2,c_2,3,…,c_d,1,c_d,2,c_d,3}

N个模板纹理特征向量：T＝{T₁,T₂,...,T_N}其中，T_i＝{t₁,…,t_l}

O个模板形状特征向量：S＝{S₁,S₂,...,S_O}其中，S_i＝{s₁,…,s_w}

d＝x×y为每个小块的像素尺寸，通常每个像素的颜色由RGB、HSV、LAB等三个标量表示。l和w是纹理和形状特征的维度。F＝{C,T,S}构成了聚类中心向量。

步骤2.生成基于聚类中心相异性的特征向量：

1)对每个小块，分别求取其颜色、纹理、形状特征与各模板颜色、模板纹理、模板形状特征之间的距离作为其特征向量。

第i个小块的M+N+O维距离特征：

其中，d为向量对T_i的距离函数，其连接函数f₁既可以是各距离的简单的拼接，也可以是降维的函数。当f₁只是最简单的拼接，其生成的特征维度等于聚类中心的数目，因此，其特征维度可控，且远小于将原有的颜色、纹理、形状等特征直接拼接的维度(～10³)；同时，通过选择不同类型的特征：颜色、纹理、形状等的聚类中心数目，可以匹配不同类型特征之间的维度，从而避免了多特征融合中容易出现的特征维过高(近千维)、不同类型的特征维度不一致、计算量较大、需要配置的参数较多等问题。

2)将所有小块的距离特征向量连接，即可得到服装的整体的相异性特征向量。

D(P,F)＝f₂(D(P₁,F),D(P₂,F),...,D(P_Z,F))

类似的，连接函数f₂既可以是简单的拼接，也可以是其他连接函数，以实现距离特征的进一步降维，特别地，当f₂为统计各距离的出现频率时，即可生成基于相异性的直方图特征。Z为服装图像的小块数量。

步骤3.多特征的前期融合：

生成的距离特征D(P,F)中已经包含了多种特征，即：

即得到的整体服装的相异性特征中，已经将不同类型的特征：颜色、纹理、形状等连接起来，组合而成的特征向量整体进行后续的训练和分类，为多特征的前期融合。

步骤4.多特征的后期融合：

相反的，如果生成的距离特征D(P,F)中仅包含单一特征，即：

需要使用合适的核函数将不同的特征进行后续融合，再进行后续的训练和分类，为多特征的后续融合。由步骤1、2可知，得到的不同类型特征的维度由对应的聚类中心数目决定，因此其维度可控，且均为距离值，因此不同的特征也可以选择相同的核函数，从而避免了传统的后期多核融合方法需要选择每个特征的核函数，并设置选取的核函数的参数和相互之间的连接权重，而造成的由人工选取核类别及其参数造成的不稳定性。

步骤5.颜色、纹理和形状特征判断：

由步骤1、2可知，聚类中心为已知的特征属性。因此，可以根据距离最近的聚类中心来获得该小块乃至整个服装区域对应的颜色C_i、纹理T_i、形状S_i特性。

同时，聚类中心不受所选取的样本影响，稳定性较高。因此，可以解决现有的基于相异性的特征提取中，聚类中心常常受到所选取样本的影响，不稳定，且没有有效的体现和提取如具体颜色或纹理特征的直观特性，需要再进行样本学习获得颜色和纹理信息而造成一定的计算冗余的缺点。

本方法拓展了现有的基于相异性的特征的识别方法的应用模型，使其不必须嵌套在区域匹配模型中，丰富了相异性特征的应用；分区域方式也可以根据具体方位非均匀划分。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。