同类别的划分，在训练 阶段不同图像的分类模型建模完成以后，在测试阶段对测试集中的图像进行检测，实现了 对不同图像物体识别的功能。
[0034] 2、本发明中的基于SURF特征和词袋模型的分类框架在识别率和速度上都具有优 异性能，使之更为客观准确地反映出图像的内容。
[0035] 3、本发明还对SVM分类器的分类结果进行优化，认为分类后属于每类的概率都不 超过〇. 5的图像属于无法判断类别，降低了分类器判断的错误率和训练样本类别的局限 性。
【附图说明】
[0036] 通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、 目的和优点将会变得更明显：
[0037]图1为本发明提供的基于SURF特征的图像物体识别方法的处理流程图；
[0038] 图2为本发明中对特征数据的白化与降维处理的流程图；
[0039] 图3为本发明的词袋模型构建和词汇直方图构建的流程图；
[0040] 图4为本发明的多类SVM组织结构示意图。
【具体实施方式】
[0041] 下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术 人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术 人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明 的保护范围。
[0042] 本发明提供了一种基于SURF特征的图像物体识别方法，首先对图像进行去噪、尺 寸归一化、中心修剪的预处理，然后对图像提取SURF角点和SURF描述子描述图像特征，再 通过PCA数据白化、降维对特征进行处理，处理后的特征通过Kmeans聚类建立词袋模型，最 后利用非线性的支持向量机（SVM)分类方法进行训练，并完成对图像不同类别的划分，在 训练阶段不同图像的分类模型建模完成以后，在测试阶段对测试集中的图像进行检测，实 现了对不同图像物体识别的功能
[0043] 具体地，根据本发明提供的基于SURF特征的图像物体识别方法，包括如下步骤：
[0044] 步骤a:对图像进行预处理，提取预处理后图像的局部兴趣点特征，将局部兴趣点 特征进行聚类，根据聚类中心的结果建立词袋模型，通过词袋模型建立视觉词汇直方图得 到图像的视觉词汇直方图特征；
[0045] 步骤1 :对每个训练样本进行类标签的标记，通过对带有类标签的所述训练样本 执行步骤a的操作后得到所述训练样本的视觉词汇直方图特征，利用所述训练样本的视觉 词汇直方图特征训练支持向量机SVM分类器，通过核函数将词汇直方图特征映射到特征空 间，并在该核函数映射的特征空间中得到最优分类超平面；
[0046] 步骤2 :对待测样本执行步骤a的操作后得到所述待测样本的视觉词汇直方图特 征，利用核函数将视觉词汇直方图特征映射到特征空间，在该特征空间中判断该待测样本 的视觉词汇直方图特征位于训练完成的SVM分类器的最优分类超平面的哪一侧，统计待测 样本属于某个类别的概率，确定所述待测样本所属的类别；
[0047] 步骤3 :对SVM分类器的分类结果进行矫正。
[0048] 所述步骤a包括：
[0049] 步骤al:对图像进行预处理，即使用3*3的高斯卷积模板对图像进行高斯滤波，将 图像尺寸归一化为512*512,并将图像做中心裁剪裁掉边缘的12*12像素；
[0050] 步骤a2 :使用OpenCV开源库函数中的类SurfFeatureDetector中的detect方法 检测图像中的SURF快速鲁棒特征兴趣点，和类SurfDescriptorExtractor中的compute方 法计算每个兴趣点的SURF描述特征矢量；
[0051] 步骤a3 :对特征矢量进行PCA主成分分析及白化处理，消除特征矢量之间的相关 性，并对白化后的特征矢量进行降维处理；
[0052] 步骤a4:使用Kmeans聚类方法对降维过的兴趣点特征进行聚类，设置K个聚类中 心，聚类后使用这K个聚类中心作为视觉词汇建立词袋模型B0VW，即所述词袋模型B0VW中 包含了K个视觉词汇；计算图像中的每个兴趣点与词袋模型中词汇的欧氏距离，确定兴趣 点属于哪一类视觉词汇，并统计图像中每类视觉词汇出现的次数，建立图像的视觉词汇直 方图作为整幅图像的内容表征。
[0053] 所述步骤1包括：
[0054] 步骤1. 1:将需要分类的η种训练样本类别按照两两组合分成C2n个分类器；
[0055] 步骤1. 2 :每个训练样本进行步骤a的处理后得到对应训练样本的视觉词汇直方 图特征，将训练样本的视觉词汇直方图特征和所述训练样本的类标签进行关联；
[0056] 步骤1. 3:选择高斯核函数进行非线性可分特征的映射分类，调整支持向量机SVM 分类器和核函数的参数，利用所述训练样本的视觉词汇直方图特征训练支持向量机SVM分 类器，通过高斯核函数将词汇直方图特征映射到特征空间，并在该高斯核函数映射的特征 空间中得到最优分类超平面，该最优分类超平面将不同类标签的训练样本区分开来；其中， 选择的高斯核函数如下：
[0057]
[0058] 式中：K(x，y)表示内积函数，X表示高维空间中的一个向量，y表示高维空间中的 另一个向量，σ表示尺度参数。
[0059] 所述步骤2包括：
[0060] 步骤2. 1 :对待测样本执行步骤a的操作后得到所述待测样本的视觉词汇直方图 特征，利用核函数将视觉词汇直方图特征映射到特征空间；
[0061] 步骤2. 2 :在所述特征空间中判断该待测样本特征位于训练完成的SVM分类器的 最优分类超平面的哪一侧；i类、j类训练样本构成的分类器记为SVMu，其中i，je(1，n)， i、j分别表示两种不同类别的训练样本，η表示训练样本的种类数；若分类器的分类结果为 i，则测试样本属于i类，i类投票加1 ;若分类器的分类结果为j，则测试样本属于j类，j类 投票加1 ;
[0062] 步骤2. 3 :统计待测样本属于某个类别的概率，确定所述待测样本所属的类别。
[0063] 所述步骤3包括：当待测样本属于各个类别的概率均不超过0. 5时，将该待测样本 定义为无法判别的类别，用于对SVM分类器的分类结果进行矫正。
[0064] 所述步骤2. 2中的在特征空间中判断该待测样本特征位于训练完成的SVM分类器 的最优分类超平面的哪一侧的判定公式如下：
[0065]
[0066] 式中：S(F,)表示第j个待测样本的判定结果，sgn( ·)表示符号函数运算（如果 数字大于〇,则Sgn返回1，数字等于0,则返回0,数字小于0,则返回-1)，ai表示第i个训 练样本的拉格朗日乘子，b为最优分类超平面的参数，1((匕，匕）表示高斯核函数，R表示样 本空间中第i个训练样本的直方图特征，F,表示第j个待测样本的直方图特征，N为样本空 间中的样本总数；s(Fj)为+1时，表示第j个待测样本属于正样本类，S(Fj)为-1时，则表 示第j个待测样本属于负样本类。
[0067] 更为具体地，如图1所示，本发明中的方法可分为图像预处理、特征提取、数据处 理、构建词袋模型及视觉词汇直方图、组织SVM训练结构几个步骤。
[0068] -、图像预处理
[0069]图像预处理阶段，使用3*3的高斯卷积模板对图像进行高斯滤波，然后将图像尺 寸归一化为512*512大小，最后将图像做中心裁剪，即裁掉边缘的12*12像素，这是由于拍 摄者拍摄时主要角点在图像的中心部分，但边缘部分可能拍摄到一些干扰的物品，预处理 后识别率明显提升。
[0070] 二、特征提取
[0071] 在特征提取阶段，使用OpenCV开源库函数中的类SurfFeatureDetector中的 detect方法检测图像中的SURF角点，和类SurfDescriptorExtractor中的compute方法计 算每个角点的特征。其原理是利用Hessian矩阵行列式的极大值检测角点，其中Hessian 矩阵H(x, (〇定义如下：
[0072]
[0073] 式中：Lxx(X，〇)表示高斯二阶微分^与图像I的卷积；Lyy(X，〇)表示高斯二 阶微分与图像I的卷积山xy(X，σ)表示高斯二阶微分一y与图像I的卷积。利 dy-' oyox 用高斯二阶微分与图像I的卷积结果（结果依次记为：Dxx，Dxy，Dyy)的近似二阶微分，计算 得到Hessian矩阵行列式，计算公式如下：
[0074] DetOl) = DxxDyy