本发明属于室内定位图像处理技术领域，具体涉及一种室内特征分类方法。
背景技术：
在图像处理技术中的视觉定位领域，视觉定位需要利用丰富的图像信息来完成定位工作，任一类视觉室内定位方法都涉及精确定位过程。现有的室内视觉定位精确定位过程一般采用基于参考帧对比特征向量欧几里得距离的方法，而该方法由于缺乏有效的参考帧的选取策略导致误差较大，匹配精度差；基于朴素贝叶斯分类器进行特征分类的方法能够选取到误差较小的参考帧，但是定位效果不稳定，而且分类时间取决于样本分类的数量以及样本维度的数量，如果需要进行分类的特征和维度较多，就会影响精度匹配速度，致使进行室内视觉定位时匹配速度慢。
技术实现要素：
本发明为解决传统室内视觉特征分类方法匹配精度差、匹配速度慢的问题，提出了一种基于改进朴素贝叶斯的室内视觉特征分类方法。
本发明所述一种基于改进朴素贝叶斯的室内视觉特征分类方法，通过以下技术方案实现：
步骤一：应用surf算法对视频数据库图像进行特征提取；
步骤二：应用迭代对比算法，对步骤一中提取的视频数据库图像surf特征进行分类，并生成surf特征树；
步骤三：应用维度选择算法，选取维度均值的方差超过阈值的视频数据库图像surf特征的维度；
步骤四：根据步骤三中选取的维度生成改进朴素贝叶斯算法模型；
步骤五：用surf算法对用户定位图片提取surf特征；
步骤六：将提取的用户定位图片surf特征输入改进朴素贝叶斯分类算法模型，得到用户定位图片surf特征所属的分类；
本发明与现有技术相比较，最为突出的特点和显著的有益效果是：利用本发明方法进行室内视觉精确定位时，所需时间更短、精度更高，在相同的定位场景下，对于离线数据库没有任何的需求，在同样采取粗略-精确匹配的情况下定位速度更快。在离线阶段采用surf算法、迭代对比算法、特征维度选择算法、朴素贝叶斯算法生成基于改进朴素贝叶斯模型，在线阶段根据用户定位图像surf特征，完成用户特征的分类预测与后续定位所需参考数据帧的确定。该算法进一步降低了朴素贝叶斯分类器的耗时，也可作为对其他数据的分类器。
利用本发明进行精确定位时，所需时间较朴素贝叶斯分类算法降低到其所需时间的五分之一左右，并且累积分类误差在256、128、64分段簇中明显下降，在32分段簇中略微下降。
附图说明
图1是本发明的流程图；
图2是在256帧簇中朴素贝叶斯分类算法与本发明方法进行图像匹配时所需时间的对比图；
图3是在128帧簇中朴素贝叶斯分类算法与本发明方法进行图像匹配时所需时间的对比图；
图4是在64帧簇中朴素贝叶斯分类算法与本发明方法进行图像匹配时所需时间的对比图；
图5是在32帧簇中朴素贝叶斯分类算法与本发明方法进行图像匹配时所需时间的对比图；
图6是在256帧簇中利用朴素贝叶斯分类算法与本发明方法进行surf特征分类时的累积误差曲线图；
图7是在128帧簇中利用朴素贝叶斯分类算法与本发明方法进行surf特征分类时的累积误差曲线图；
图8是在64帧簇中利用朴素贝叶斯分类算法与本发明方法进行surf特征分类时的累积误差曲线图。
具体实施方式
具体实施方式一：如图1所示，本实施方式给出的一种基于改进朴素贝叶斯的室内视觉特征分类方法，具体是按照以下步骤实施的：
步骤一：应用surf算法对视频数据库图像进行特征提取；
步骤二：应用迭代对比算法，对步骤一中提取的视频数据库图像surf特征进行分类，并生成surf特征树；
步骤三：应用维度选择算法，选取维度均值的方差超过阈值的视频数据库图像surf特征的维度；
步骤四：根据步骤三中选取的维度生成改进朴素贝叶斯算法模型；
步骤五：用surf算法对用户定位图片提取surf特征；
步骤六：将提取的用户定位图片surf特征输入改进朴素贝叶斯分类算法模型，得到用户定位图片surf特征所属的分类；
对每个特征分类进行正交，从正交结果中选择1个特征出现次数最多的帧作为室内视觉定位精确定位过程中的参考帧。
具体实施方式二：本实施方式与具体实施方式一不同的是：步骤一中，应用surf算法对视频数据库图像进行特征提取的过程包括：
步骤一一、特征点检测：
构造尺度空间，将不同尺度的盒子滤波器与视频数据库图像卷积并构建尺度空间金字塔，形成多尺度空间函数dxx，dyy，dxy；其中dxx表示视频数据库图像上的点与高斯二阶偏导数
在尺度空间金字塔构建完毕后，通过下式求取某一特定尺度下的局部极值deth：
deth＝dxx×dyy-(0.9×dxy)2(1)
对视频数据库图像上的点在3×3×3的立体邻域内进行非极大值抑制，把符合条件的点筛选为特征点，同时保存特征点的位置和尺寸；
步骤一二、特征点描述：
在确定特征点位置之后，利用haar小波对特征点进行主方向的确定，以保证特征点的旋转和尺度不变性；在圆形区域内，计算各个扇形范围内x、y方向的harr小波响应，找模最大的扇形方向。
特征点的描述信息即为提取的视频数据库图像surf特征。
其他步骤及参数与具体实施方式一相同。
具体实施方式三：本实施方式与具体实施方式二不同的是：步骤五中，对用户定位图片提取surf特征的过程与步骤一中使用surf算法对视频数据库图像进行特征提取的方法相同。
其他步骤及参数与具体实施方式一或二相同。
具体实施方式四：本实施方式与具体实施方式一不同的是：步骤二中，应用迭代对比算法，对步骤一中提取的视频数据库图像surf特征进行分类，并生成surf特征树的具体过程包括：
步骤二一、对视频数据库图像中的首帧的surf特征进行分类标号；
步骤二二、从视频数据库图像序列中的第二帧开始迭代：
将帧中所有的特征与前面所有帧中的特征进行比对，如果帧中的某特征与前面所有帧中的任一特征匹配，将该特征标注为匹配的分类标号；如果帧中的特征与前面所有帧的特征皆不匹配，将该特征标注为l+1，其中，l表示前面所有特征中的最大分类标号；
步骤二三、完成迭代后，把分类标号相同的surf特征所属帧号组成surf特征树的分支。
其他步骤及参数与具体实施方式一、二或三相同。
具体实施方式五：本实施方式与具体实施方式四不同的是：步骤三的具体过程包括：
步骤三一、对于步骤一中提取的视频数据库图像surf特征乘以放大系数；
步骤三二、按照维度计算每个分类下的特征均值；
步骤三三、计算每个维度下不同分类的特征均值的方差；
步骤三四、选择步骤三三中计算结果超过方差阈值的n个维度，作为朴素贝叶斯分类器的分类概率维，这n个维度分别为x1,x2,…,xn，n<64。
其他步骤及参数与具体实施方式一、二、三、或四相同。
具体实施方式六：本实施方式与具体实施方式五不同的是：步骤四中，生成改进朴素贝叶斯算法模型的具体步骤为：
根据朴素贝叶斯模型公式(2)，计算每个分类下的概率：
p(c|f1f2…f64)＝p(f1f2…f64|c)p(c)/p(f1f2…f64)(2)
p(·)是概率函数，c指的是分类，f1、f2、f64分别指第一维度的特征值、第二维度的特征值、第64维度的特征值，p(c|f1f2…f64)、p(f1f2…f64|c)为条件概率函数，p(c|f1f2…f64)指的是在f1f2…f64的条件下，c的概率；p(f1f2…f64|c)指的是在c的条件下，f1f2…f64的概率；
p(f1f2…f64)在不同分类下是相同的，而surf特征每个维度的数据分别独立，根据公式(3)，将公式(2)改为公式(4)：
p(f1f2…f64|c)＝p(f1|c)p(f2|c)…p(f64|c)(3)
p(c|f1f2…f64)＝p(f1|c)p(f2|c)…p(f64|c)p(c)(4)
每个维度下的概率密度函数都服从高斯分布，因此各个分类下的概率密度值，可由步骤三四中超过方差阈值的n个维度决定，因此由公式(4)得到公式(5)，即，改进朴素贝叶斯算法模型：
其中，fx1表示第x1维度的特征值，fx2表示第x2维度的特征值，fxn表示第xn维度的特征值。
其他步骤及参数与具体实施方式一、二、三、四或五相同。
具体实施方式七：本实施方式与具体实施方式五不同的是：步骤三四中，所述方差阈值为0.05。
其他步骤及参数与具体实施方式一、二、三、四、五或六相同。
具体实施方式八：本实施方式与具体实施方式一不同的是：步骤三三中，对于分类下只有一个特征的数据，特征的方差取值为0.00001，对于同一分类下不同特征在某一维度下的数值全部相同，该维度的方差取值为0.00001。
其他步骤及参数与具体实施方式一、二、三、四、五、六或七相同。
具体实施方式九：本实施方式与具体实施方式一不同的是：步骤三一中，所述放大系数，取值为1000。
其他步骤及参数与具体实施方式一、二、三、四、五、六、七或八相同。
实施例
采用以下实施例验证本发明的有益效果：
1.在哈尔滨工业大学科学院2a栋12层，使用视频采集设备，对定位区域进行视频采集。
3.输入用户待定位图片，提取surf特征，通过改进朴素贝叶斯模型给出预测特征分类与定位参考帧。
4如图2、图3、图4、图5所示，所展示的是使用标准朴素贝叶斯分类算法与本发明所提出的算法在各个不同的分段簇下的时间消耗对比，可知，本发明方法所需分类时间较朴素贝叶斯分类算法降低到其所需时间的五分之一左右。
5根据分类结果，与朴素贝叶斯分类方法算法结果比对，得到本发明方法与朴素贝叶斯方法算法分类的累积误差曲线对比图，如图6、图7、图8所示，可以看出累积分类误差在256、128、64分段簇中明显下降，而在32分段簇中仅略微下降。
本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。