预览加载中,请您耐心等待几秒...
1/10
2/10
3/10
4/10
5/10
6/10
7/10
8/10
9/10
10/10

亲,该文档总共12页,到这已经超出免费预览范围,如果喜欢就直接下载吧~

如果您无法下载资料,请参考说明:

1、部分资料下载需要金币,请确保您的账户上有足够的金币

2、已购买过的文档,再次下载不重复扣费

3、资料包下载后请先用软件解压,在使用对应软件打开

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN109858546A(43)申请公布日2019.06.07(21)申请号201910081619.2(22)申请日2019.01.28(71)申请人北京工业大学地址100124北京市朝阳区平乐园100号(72)发明人王立春李爽王少帆孔德慧(74)专利代理机构北京市中闻律师事务所11388代理人冯梦洪(51)Int.Cl.G06K9/62(2006.01)权利要求书2页说明书7页附图2页(54)发明名称一种基于稀疏表示的图像识别方法(57)摘要公开一种基于稀疏表示的图像识别方法,其能够通过自适应地选择训练样本进行多轮训练,学习多个字典,每个字典有针对性地学习其他字典表示精度欠佳的样本,每个字典对应一个有针对性的弱分类器,对多个弱分类器的分类结果进行加权组合,提升传统稀疏表示应用于分类问题的识别精度。该方法包括以下步骤:(1)基于自适应增强字典学习过程学习多个字典及相应的弱分类器,并计算分类器权值系数;(2)基于步骤(1)学习的多个字典计算待分类数据的稀疏表示向量,再利用相应的弱分类器进行分类,加权组合各弱分类器识别结果而得到最终识别结果。CN109858546ACN109858546A权利要求书1/2页1.一种基于稀疏表示的图像识别方法,其特征在于:该方法包括以下步骤:(1)基于自适应增强字典学习过程学习多个字典及相应的弱分类器,并计算分类器权值系数;(2)基于步骤(1)学习的多个字典计算待分类数据的稀疏表示向量,再利用相应的弱分类器进行分类,加权组合各弱分类器识别结果而得到最终识别结果。2.根据权利要求1所述的基于稀疏表示的图像识别方法,其特征在于:所述步骤(1)包括以下分步骤:(1.1)初始化训练样本的权重,初始化第i个样本的权重为N为样本数量,训练样本的初始权重记为W1=(w1,1,...,w1,i,...,w1,N);(1.2)字典学习和分类器训练,迭代M轮,得到M个字典、M个分类器及相应的分类器权值系数。3.根据权利要求2所述的基于稀疏表示的图像识别方法,其特征在于:所述步骤(1.2)包括以下步骤:a)联合训练字典和分类器第m个字典Dm、第m个分类器Qm和第m个稀疏表示矩阵Am通过公式(1)求出:SS×K其中xi∈R为第i个训练样本,S为样本维度;m为迭代索引,1≤m≤M;Dm∈R表示第m个C×KC字典,K为字典原子数量;Qm∈R表示第m个分类器,C为类别数;hi∈R为第i个样本的标签K向量;wm,i为第m轮迭代第i个样本的权重;αm,i∈R为第m轮迭代第i个样本的稀疏表示向量,K×N训练集的稀疏表示矩阵记为Am=(αm,1,...,αm,i,...,αm,N)∈R;θ为稀疏约束参数;公式(1)简化变形得到公式(3)公式(3)使用KSVD算法进行求解,得到字典Dm和分类器Qm,用OMP算法求解稀疏表示矩阵Am;b)利用分类器计算训练样本的分类结果根据步骤a)得到的分类器Qm和第i个样本的稀疏表示向量αm,i求得样本类别估计向量根据公式(4)得到第i个样本的预测结果Pm,ic)计算分类器的分类误差通过公式(5)计算第m个分类器的分类误差2CN109858546A权利要求书2/2页d)计算第m个分类器的权值系数使用公式(6)计算第m个分类器的权值系数βme)更新样本权重第m+1次迭代样本的权重为Wm+1=(wm+1,1,…,,wm+1,i,...,wm+1,N),其中各分量使用公式(7)计算:重复步骤a)~e),直到最大迭代次数M。4.根据权利要求3所述的基于稀疏表示的图像识别方法,其特征在于:所述步骤(2)包括以下分步骤:f)利用步骤(1)求得的字典计算待分类数据的稀疏表示y为待分类数据,用OMP算法求解公式(8)得到待分类数据的稀疏表示am,相应于M个字典得到对应的M个稀疏表示;g)利用第m个弱分类器进行分类,得到预测结果Pm,通过公式(9)利用步骤(1)求得的分类器权值系数对弱分类器的预测结果进行组合:通过公式(10)获得最终分类结果P3CN109858546A说明书1/7页一种基于稀疏表示的图像识别方法技术领域[0001]本发明涉及图像处理的技术领域,尤其涉及一种基于稀疏表示的图像识别方法。背景技术[0002]近年来,稀疏表示算法作为图像分类的工具被广泛应用,通过训练学习字典或将训练样本直接作为字典,基于字典对测试数据进行稀疏编码,通过比较样本在类别字典上的重构误差实现分类。为提升字典方法在分类问题上的表现能力,已有方法在传统稀疏表示方法KSVD的基础上进行改进,在目标函数中加入类别信息,从而达到约束字典的目的。例如,DKSVD(DiscriminativeKSVD)中,在KSVD的基础上,引入由样本标签矩阵、分类矩阵和稀疏表示矩阵组成的