基于度量学习和多示例支持向量机的图像分类方法.pdf

(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CN109165673A(43)申请公布日2019.01.08(21)申请号201810792175.9(22)申请日2018.07.18(71)申请人广东工业大学地址510006广东省广州市越秀区东风东路729号(72)发明人阮奕邦肖燕珊郝志峰刘波(74)专利代理机构广州粤高专利商标代理有限公司44102代理人林丽明(51)Int.Cl.G06K9/62(2006.01)权利要求书2页说明书6页附图1页(54)发明名称基于度量学习和多示例支持向量机的图像分类方法(57)摘要本发明涉及图像分类技术领域，涉及一种基于度量学习和多示例支持向量机的图像分类方法。该方法包括：对图像进行标记以及多示例化；构建一个基于示例与类别相似性的度量学习问题；构建一个基于度量学习的多示例支持向量机问题；对多示例包的示例进行重新标记；迭代优化出基于度量学习和多示例支持向量机的图像分类器。本发明采用度量学习框架，根据类别的信息，使相同类别图像之间的距离缩短，不同类别图像之间的距离拉大，从而把图像特征的相关信息保存下来，并且将图像多示例化，保留了图像中的场景相关性，从而构建了一个基于度量学习的多示例支持向量机模型，极大的提高了分类器在进行图像分类时的精度。CN109165673ACN109165673A权利要求书1/2页1.一种基于度量学习和多示例支持向量机的图像分类方法，其特征在于，包括以下步骤：S1.获取图像，以人工的形式，对图像进行人工标记，并且将标记好的图像转换为多示例数据；S2.对用于图像分类的多示例包的示例标签进行初始化，赋予每个类别的包中示例一个合适的标签；S3.构建一个基于示例与类别的相似性的度量学习问题，求解该优化问题，得到优化后的度量学习矩阵，所述的度量学习问题为：kTYij[(Bij-Ck)M(Bij-Ck)-b]≥1-ξij,ξij≥0,M＞＝0,b≥12式中，||·||F表示为矩阵的F范式；正则项||M||F用来保证学习出来的度量学习矩阵的元素不会过大；|Bi|为包Bi的示例个数；ξij是一个非负误差项，C为可调参数，用来控制误差项的大小；Bij代表了第i个包Bi的第j个示例，Ck为第k个类别中所有示例的中心点；如果kk包中示例Bij属于第k类，则Yij＝-1，否则，Yij＝1；M＞＝0用来强制约束度量学习矩阵是正T半定矩阵，保证计算出来的图像之间的距离不会为负数；(Bij-Ck)表示为(Bij-Ck)的转置；b表示为度量学习问题的距离基准；S4.基于S3步骤中优化出的度量学习矩阵M，构建一个多示例支持向量机问题，所述的多示例支持向量机问题为：hij(w·M·Bij-b)≥1-ηij,ηij≥0式中，hij为包中示例Bij所属的标签，如果为正示例，则hij为+1，如果为负示例，则hij为-1；ηij为松弛变量，可调参数D用来控制松弛变量的大小；w和b为支持向量机决策边界的参数，wT为该参数的转置；S5.求解S4步骤的基于度量学习的多示例支持向量机问题，得到训练好的图像分类器，并对训练包的示例进行重新标记；S6.判断训练出来的图像分类模型的精度是否达到预期精度或者是否已经达到最大训练迭代次数，不满足则跳到S3步骤，重新进行分类器的训练；如果满足，则输出优化后的基于度量学习的多示例图像分类器f(Bs)。2.根据权利要求1所述的基于度量学习和多示例支持向量机的图像分类方法，其特征在于，所述的S1步骤具体包括：2CN109165673A权利要求书2/2页S11.采用经典的图像处理方法，将图像按照场景进行区域切割；S12.对切割好的图像区域进行特征提取，将其转换为计算机可以处理的示例向量；S13.由于图像含有多个场景，则切割为多个图像区域，产生多个示例；此时每张图像称为一个包，进行特征提取的图像区域称为包中示例。3.根据权利要求1所述的基于度量学习和多示例支持向量机的图像分类方法，其特征在于，所述的S2步骤，在初始化过程中，对于正包，将正包的所有示例当成正示例进行处理，即将包中所有示例的标签设为+1；对于负包，将负包的所有示例当成负示例进行处理，即将包中所有示例的标签设为-1。4.根据权利要求2或3所述的基于度量学习和多示例支持向量机的图像分类方法，其特征在于，所述的S4步骤中，在度量学习的训练环境下，包Bp中的示例Bpi与包Bn中的示例Bnj的相似性公式为Bpi·M·Bnj；所述的多示例支持向量机问题是基于该相似性公式构建的。5.根据权利要求4所述的基于度量学习和多示例支持向量机的图像分类方法，其特征在于，所述的S5步骤包括：S51.通过引入非负拉格朗日因子将多示例支持向量机问题转换为对偶形式的优化问题，该对偶形式的优化问题如下：式中，Bpz和Bnt为包中示例；h