一种基于改进词袋模型的图像分类方法.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CN106934401A(43)申请公布日2017.07.07(21)申请号201710133021.4(22)申请日2017.03.07(71)申请人上海师范大学地址200234上海市徐汇区桂林路100号(72)发明人马燕刘利锋张相芬李顺宝张玉萍(74)专利代理机构上海精晟知识产权代理有限公司31253代理人冯子玲(51)Int.Cl.G06K9/46(2006.01)G06K9/62(2006.01)权利要求书3页说明书32页附图9页(54)发明名称一种基于改进词袋模型的图像分类方法(57)摘要本发明公开了一种基于改进词袋模型的图像分类方法。它包括如下步骤：S1：提取高鉴别力SIFT特征点；步骤S2：提取高鉴别力SIFT特征点对；S3：构建视觉词典；S4：图像分类；该方法提出一种基于最小生成树的构建视觉词组算法，该方法对各训练图像的所有高鉴别力SIFT特征构建最小生成树，并在此基础上构建SIFT特征点对，然后进行K-means聚类，从而得到含有空间信息的视觉词组，利用上述方法构建的视觉单词和视觉词组一起构建视觉直方图，并通过SVM完成图像分类。本发明的有益效果是：降低了计算复杂度，保留了局部特征间的空间信息，提高了图像的分类准确率，减少了分类时间，可广泛应用于图像检索、对象追踪、场景分类和行为识别等领域。CN106934401ACN106934401A权利要求书1/3页1.一种基于改进词袋模型的图像分类方法，其特征是，包括如下步骤：S1：提取高鉴别力SIFT特征点；其包括如下步骤：S11：提取所有训练图像的SIFT特征点；S12：计算SIFT特征点的鉴别力，得到高鉴别力SIFT特征点；S2：提取高鉴别力SIFT特征点对；其包括如下步骤：S21：利用Prim算法对高鉴别力SIFT特征点构造最小生成树；S22：对最小生成树中的SIFT特征点对进行筛选，得到高鉴别力SIFT特征点对；S3：构建视觉词典；其包括如下步骤：S31：对高鉴别力SIFT特征点进行K均值聚类，得到视觉单词；S32：对高鉴别力SIFT特征点对进行K均值聚类，得到视觉词组；S4：图像分类；其包括如下步骤：S41：计算每幅训练图像的视觉单词直方图；S42：计算每幅训练图像的视觉词组直方图；S43：合并每幅训练图像的视觉单词直方图和视觉词组直方图，得到联合直方图；S44：将所有训练图像的联合直方图输入到SVM，得到SVM模型；S45：计算待分类图像的视觉单词直方图；S46：计算待分类图像的视觉词组直方图；S47：合并待分类图像的视觉单词直方图和视觉词组直方图，得到联合直方图；S48：将待分类图像的联合直方图输入到SVM模型，输出分类结果。2.根据权利要求1所述的一种基于改进词袋模型的图像分类方法，其特征是，在步骤S11中，提取所有训练图像的SIFT特征点，具体为：检测训练图像的尺度空间的极值点，过滤极值点得到SIFT特征点，确定每个SIFT特征点的方向参数，生成SIFT特征点描述子，完成SIFT特征点的提取。3.根据权利要求1所述的一种基于改进词袋模型的图像分类方法，其特征是，在步骤S12中，计算SIFT特征点的鉴别力，得到高鉴别力SIFT特征点，是通过计算该SIFT特征点的类内相关系数和类间相关系数的乘积来实现，如果类内相关系数越大类间相关系数越小，则认为该SIFT特征点具有高鉴别力；具体为：对于训练图像中，属于同一类别的一幅图像中的一个SIFT特征点A，计算SIFT特征点A与同一类别中另一幅图像的所有SIFT特征点之间的相关系数，得到最大相关系数rmax1，如果rmax1＞α，α为预先设定的阈值，则将计数器counter1加1，直到SIFT特征点A与同一类别中其余图像之间完成相关系数的计算后，对计数器counter1进行归一化；计算SIFT特征点A与不属于同一类别的另一幅图像的所有SIFT特征点之间的相关系数，得到最大相关系数rmax2，如果rmax2＜1-α，则将计数器counter2加1，直到SIFT特征点A与不属于同一类别的其余图像之间完成相关系数的计算后，对计数器counter2进行归一化；计数器counter1与计数器counter2的乘积即为SIFT特征点A的鉴别力，计算所有训练图像中各SIFT特征点的鉴别力，并对所有SIFT特征点的鉴别力进行排序，取鉴别力较大的前60％个SIFT特征点作为高鉴别力SIFT特征点；其中，两个SIFT特征点间相关系数r的定义如下：2CN106934401A权利要求书2/3页其中，与分别为M与N中128个数值的均值，M＝(m0，m1，...，m126，m127)和N＝(n0，n1，...，n126，n127)分别表示两个SIFT特征点的128维描