一種基于魯棒特征提取的圖像識別方法與裝置的制造方法
【技術領域】
[0001] 本發(fā)明涉及計算機視覺和圖像識別技術領域，更具體地說，涉及一種基于魯棒特 征提取的圖像識別方法與裝置。
【背景技術】
[0002] 在這高速發(fā)展日新月異的信息時代，科技發(fā)展之勢如日中天，而數(shù)據與信息的重 要性在這過程中也體現(xiàn)地越來越明顯。其中，數(shù)據圖像在人類日常生活中幾乎無處不在，很 多行業(yè)領域對其進行準確識別的需求變得越來越大，這極大地推動了圖像識別技術的進步 發(fā)展。迄今為止，圖像識別已經發(fā)展成為計算機視覺與模式識別中一個極其重要的研究課 題。圖像識別技術是通過計算機，將圖像數(shù)字化，從而完成數(shù)據分析、特征提取，以實現(xiàn)對圖 像的類別判定。該技術在機器視覺系統(tǒng)、身份識別系統(tǒng)等領域有著重大的意義，顯然在實際 應用中，它所能帶來和衍生的社會與經濟效益是不可估量的。然而值得注意的是，圖像本身 包含的信息并非都是有用的，其中夾雜著很多不利特征和冗余信息，毋庸置疑，這給圖像的 特征提取大大增加了難度。截止到目前，圖像識別技術還有很大的發(fā)展空間，并且由于其巨 大的研究價值和商業(yè)價值，越來越多的研究者投身于此，并不斷地優(yōu)化現(xiàn)有技術以實現(xiàn)更 為準確有效的圖像識別。
[0003] 近年來，為了實現(xiàn)魯棒圖像特征提取，一些基于1范數(shù)的算法相繼被提出，例如基 于1范數(shù)的主成分分析算法(PCA-L1)、基于1范數(shù)的判別性局部保持投影算法(DLPP-L1)等， 但是上述算法都是基于向量空間的模型框架，因此當處理圖像時，這些算法不得不首先將 圖像對應的二維矩陣轉換到一個高維的向量空間，但是這個過程將會破壞圖像像素之間的 拓撲結構，并使得計算過程在高維的數(shù)據空間更加復雜。
[0004] 因此，現(xiàn)有技術中對于圖像的處理存在破壞圖像像素之間的拓撲結構，且計算過 程在高維的數(shù)據空間較復雜的問題。

【發(fā)明內容】

[0005] 本發(fā)明的目的是提供一種基于魯棒特征提取的圖像識別方法與裝置，以基于矩陣 描述進行判別特征提取，可直接作用于圖像，從而解決現(xiàn)有技術對于圖像的處理中存在的 破壞圖像像素之間的拓撲結構，且計算過程在高維的數(shù)據空間較復雜的問題。
[0006] 為了實現(xiàn)上述目的，本發(fā)明提供如下技術方案：
[0007] -種基于魯棒特征提取的圖像識別方法，包括：
[0008] 對原始訓練集中包含的原始訓練樣本進行二維判別特征學習，通過緊湊局部類內 散度和分離局部類間散度，進行圖像特征學習建模，可有效保持圖像像素間的拓撲結構和 內在相關性;基于1范數(shù)度量，提升了圖像描述的魯棒性，進而通過優(yōu)化一個特征分解問題， 得到可用于圖像樣本的二維魯棒特征提取的投影矩陣;其中，所述原始訓練樣本為具有與 該原始訓練樣本的類別對應的類別標簽的樣本；
[0009] 獲取包含有每個所述原始訓練樣本的二維魯棒特征的新訓練樣本集，并利用所述 新訓練樣本集構建分類器;其中，每個所述原始訓練樣本的二維魯棒特征為利用所述投影 矩陣對每個所述原始訓練樣本進行投影得到的；
[0010]利用所述分類器對待測樣本進行分類，得到與所述待測樣本的類別對應的分類結 果，其中，所述待測樣本為未知其類別的樣本。
[0011]優(yōu)選的，所述利用所述分類器對待測樣本進行分類，得到與所述待測樣本的類別 對應的分類結果，包括：
[0012] 利用所述投影矩陣對所述待測樣本進行投影，得到所述待測樣本的待測二維魯棒 特征；
[0013] 將所述待測二維魯棒特征作為所述分類器的輸入，得到至少一個與所述待測樣本 對應的類別，并確定得到的至少一個與所述待測樣本對應的類別中與所述待測樣本的相似 性度量最大的類別為所述待測樣本的類別。
[0014] 優(yōu)選的，確定得到的至少一個與所述待測樣本對應的類別中與所述待測樣本的相 似性度量最大的類別為所述待測樣本的類別，包括：
[0015] 確定所述待測樣本的待測二維魯棒特征為4 …，所述分類器對應 輸出的任意輸出二維魯棒特征為4 =(十),4"，);
[0016] 利用下列公式確定所述待測二維魯棒特征與每個所述輸出二維魯棒特征之間基 于1范數(shù)的距離，并確定該距離最小的輸出二維魯棒特征對應的原始訓練樣本的類別為所 述待測樣本的類別：
[0017]
[0018] 其中，cKZbZj表示所述待測二維魯棒特征與任意輸出二維魯棒特征之間基于1范 數(shù)的距離，11 · I U表示1范數(shù)。
[0019] 優(yōu)選的，利用所述投影矩陣對所述原始訓練樣本進行投影，得到該原始訓練樣本 的二維魯棒特征，包括：
[0020] 按照下列公式得到所述原始訓練樣本的二維魯棒特征：
[0021] Zi = PTAi，i = l，2，."N
[0022] 其中，Zi表示任一原始訓練樣本的二維魯棒特征，Ai表示該原始訓練樣本，N表示原 始訓練樣本的數(shù)量，P表示所述投影矩陣。
[0023] 優(yōu)選的，確定緊湊局部類內散度及分離局部類間散度，包括：
[0024] 按照下列公式確定類間權重矩陣，并確定該類間權重矩陣為分離局部類間散度：
[0025]
[0026]其中，表示所述類間權重矩陣，it表示i類別對應的平均矩陣爲表示j類別對應 的平均矩陣，yi為原始訓練樣本&的類別標簽，^為原始訓練樣本^的類別標簽，ΙΙ?為矩陣 范數(shù)；
[0027]按照下列公式計算得到類內權重矩陣，并確定該類內權重矩陣為緊湊局部類內散 度：
[0028]
[0029] 其中，<表示類別c中第i個原始訓練樣本，4表示類另Uc中第j個原始訓練樣本，Af 為原始訓練樣本考的向量化描述4為原始訓練樣本$的向量化描述，(考)為原始訓練樣 本考的近鄰集合，4表示類內重構權系數(shù)，對表示類別c中第i個原始訓練樣本對應的權重 矩陣。
[0030] 優(yōu)選的，獲取可用于圖像樣本的二維魯棒特征提取的投影矩陣，包括：
[0031] 按照下列公式確定投影矩陣：
[0032]
[0033] s.t.PTP = IdXd
[0034] 其中，P表示投影矩陣，I I · I 11表示1范數(shù)，C表示原始訓練集對應的類別的個數(shù)，N。 表示c類別中包含的原始訓練樣本的個數(shù)，P〇pt為最優(yōu)的目標輸出，Idxd為尺寸為d*d的單位 矩陣。
[0035] -種基于魯棒特征提取的圖像識別裝置，包括：
[0036] 訓練模塊，用于利用對原始圖像訓練集中包含原始訓練圖像樣本進行判別特征學 習，通過緊湊局部類內散度和分離局部類間散度，完成圖像特征學習建模;其中，所述原始 訓練樣本為具有與該原始訓練樣本的類別對應的類別標簽的樣本;基于1范數(shù)度量，提升了 圖像描述的魯棒性，進而通過優(yōu)化一個特征分解問題，得到可用于圖像樣本的二維魯棒特 征提取的投影矩陣；
[0037] 測試預處理模塊，用于利用所述投影矩陣對每個所述原始訓練樣本進行投影，得 到每個所述原始訓練樣本的二維魯棒特征；
[0038]測試模塊，用于獲取包含有每個所述原始訓練樣本的二維魯棒特征的新訓練樣本 集，并利用所述新訓練樣本集構建分類器;利用所述分類器對待測樣本進行分類，得到與所 述待測樣本的類別對應的分類結果，其中，所述待測樣本為未知其類別的樣本。
[0039]優(yōu)選的，測試模塊包括：
[0040]測試單元，用于利用所述投影矩陣對所述待測樣本進行投影，得到所述待測樣本 的待測二維魯棒特征;將所述待測二維魯棒特征作為所述分類器的輸入，得到至少一個與 所述待測樣本對應的類別，并確定得到的至少一個與所述待測樣本對應的類別中與所述待 測樣本的相似性度量最大的類別為所述待測樣本的類別。
[0041] 優(yōu)選的，訓練預處理模塊包括：
[0042] 投影單元，用于按照下列公式得到所述原始訓練樣本的二維魯棒特征：
[0043] Zi = PTAi，i = l，2，."N
[0044] 其中，Zi表示任一原始訓練樣本的二維魯棒特征，Ai表示該原始訓練樣本，N表示原 始訓練樣本的數(shù)量，P表示所述投影矩陣。
[0045]優(yōu)選的，訓練模塊包括：
[0046]訓練單元，用于按照下列公式確定投影矩陣：
[0047]
[0048] s.t.PTP = IdXd
[0049] 其中，P表示投影矩陣，U · I U表示1范數(shù)，Mi表示i類別對應的平均矩陣，Μ」表示j 類別對應的平均矩陣，表示與所述分離局部類間散度對應的類間權重矩陣，表示與所 述緊湊局部類內散度對應的類內重構權系數(shù)，Af表示類別c中第i個原始訓練樣本的圖像矩 陣，^表示類別c中第j個原始訓練樣本的圖像矩陣，Nc表示類別c中原始訓練樣本的個數(shù)，C 表示原始訓練集對應的類別的個數(shù)，P〇 Pt為最優(yōu)的目標輸出，Idxd為尺寸為d*d的單位矩陣。
[0050] 本申請?zhí)峁┑纳鲜黾夹g方案中，通過對原始訓練樣本進行判別學習，在緊湊局部 類內散度和分離局部類間散度的同時有效保持圖像像素間的拓撲結構，設計基于1范數(shù)度 量的特征學習框架，可輸出一個可用于樣本內和樣本外圖像特征提取的投影矩陣，進而通 過投影矩陣獲取原始訓練樣本的二維魯