一种基于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CN105844299A(43)申请公布日2016.08.10(21)申请号201610171326.X(22)申请日2016.03.23(71)申请人浙江理工大学地址310018浙江省杭州市经济开发区白杨街道2号大街928号(72)发明人桂江生张青包晓安(74)专利代理机构杭州君度专利代理事务所(特殊普通合伙)33240代理人诸佩艳(51)Int.Cl.G06K9/62(2006.01)权利要求书3页说明书11页附图2页(54)发明名称一种基于词袋模型的图像分类方法(57)摘要本发明公开了一种基于词袋模型的图像分类方法，所述图像分类方法根据预先训练好的SVM模型，对待分类图像进行特征提取，得到所提取的特征点，对特征点进行聚类得到特征类型，并将特征点表述为其所属的特征类型，根据图像特征点所属的特征类型，利用空间金字塔模型形成图像的直方图向量，最后将待分类图像的直方图向量输入到训练好的SVM模型，完成图像的分类。本发明采用了全新的核函数训练SVM模型，本发明方法降低了计算难度，而且保留了局部特征间的空间信息，提高了图像分类的精度，减少了分类时间。CN105844299ACN105844299A权利要求书1/3页1.一种基于词袋模型的图像分类方法，其特征在于，所述图像分类方法包括：对待分类图像进行特征提取，得到所提取的特征点；对特征点进行聚类得到特征类型，并将特征点表述为其所属的特征类型；根据图像特征点所属的特征类型，利用空间金字塔模型形成图像的直方图向量；将待分类图像的直方图向量输入到训练好的SVM模型，完成图像的分类。2.根据权利要求1所述的图像分类方法，其特征在于，所述SVM模型的训练过程，包括：对训练样本图像进行特征提取，得到所提取的特征点；对特征点进行聚类得到特征类型，并将特征点表述为其所属的特征类型；根据特征点所属的特征类型，利用空间金字塔模型形成图像的直方图向量；采用训练样本的直方图向量训练SVM模型。3.根据权利要求1或2所述的图像分类方法，其特征在于，所述对图像进行特征提取，得到所提取的特征点，包括：检测图像的尺度空间的极值点；过滤极值点得到特征点；确定每个特征点的方向参数；生成特征点描述子，完成特征点的提取。4.根据权利要求1或2所述的图像分类方法，其特征在于，所述根据特征点所属的特征类型，利用空间金字塔模型形成图像的直方图向量，包括：利用空间金字塔模型生成图像每个特征类型的直方图；为特征类型的直方图添加权重；计算图像特征类型的权重直方图；根据图像每个特征类型的权重直方图，形成图像的直方图向量。5.根据权利要求2所述的图像分类方法，其特征在于，所述采用训练样本的直方图向量训练SVM模型，包括：构建SVM训练核函数KSVM(xi，xj)；选择惩罚因子，根据构建的SVM训练核函数求解以下最优化问题得到最优解α*：0≤αi≤C，i＝1,2,...,l选择α*的一个小于C的正分量结合SVM训练核函数求解b*：根据SVM训练核函数以及b*构建SVM模型的决策函数，完成SVM模型的训练，所述决策函数为：其中xi是训练样本的第i个样本的特征向量直方图，yi∈{1,-1},i＝1,2,...,l是与xi2CN105844299A权利要求书2/3页对应的样本标记，同样的xj是训练样本的第j个样本的特征向量直方图，yj∈{1,-1},j＝1,2,...,l是与xj对应的样本标记，l表示训练样本的总数，sgn(·)为符号函数，为样本对应的拉格朗日乘子，b*表示分类阈值，z为待分类图像的直方图向量。6.根据权利要求5所述的图像分类方法，其特征在于，所述SVM训练核函数LSVM(xi，xj)为：其中，a是参数，W表示直方图向量的维度，是双伽马函数，I＝[1,TT1,..,1]表示全1列向量，维度为W×1，β＝[β1,β2,...,βW]表示狄利克雷概率分布模型参数；其中表示对β求梯度，为直方图向量的狄利克雷概率分布模型，x表示直方图向量，diag(.)表示对角矩阵，是一个三角伽马函数,Q表示全1向量,维度为W×W，T表示转置。7.根据权利要求6所述的图像分类方法，其特征在于，所述构建SVM训练核函数KSVM(xi，xj)，包括：将直方图向量x输入到狄利克雷概率分布模型中：T其中x表示直方图向量，W表示直方图向量的维度，β＝[β1,β2,...,βW]表示狄利克雷概率分布模型参数，表示伽马函数；当狄利克雷概率分布模型的ln似然函数获得最大值时，相应的模型参数使得模型最合T理，根据以下公式求得模型参数β＝[β1,β2,...,βW]：将β代入到狄利克雷概率分布模型中并计算狄利克雷概率分布模型的ln似然函数的梯度，将一个可变长度的直方图向量x变换成一个固定长度的向量H(