[发明专利]面向鉴别的图像相关特征融合识别系统

说明书

技术领域

本发明涉及一种电信技术领域的图像识别系统，具体是一种面向鉴别的图像相关特征融合识别系统。

背景技术

基于标准相关分析(Canonical Correlation Analysis，简称CCA)的特征融合方法，是利用CCA建立两组特征向量之间的相关性准则函数，求取投影向量集，然后抽取得到组合的相关特征。

经对现有技术文献检索发现，Q.S.Sun，S.G.Zeng，Y.Liu等在PatternRecognition(模式识别，2005，38(12)：2437-2448)上发表的文章“Anew methodof feature fusion and its application in image recognition”(“一种特征融合新方法以及在图像识别中的应用”)中，证明了利用标准相关分析法所抽取的特征之间是不相关的，因此具有良好的分类性能。但是该方法是建立在向量形式的两组特征上，因此，当用于图像识别等图像处理问题时，必须先将二维的图像矩阵通过行连接或列连接转化为一维的列向量，然后以该列向量作为原始特征进行分析。由于图像向量的维数一般较高(如分辨率为256×256＝65536的图像)，这不仅会面临计算量大的问题，而且通常图像样本的个数远小于图像向量的维数(即高维小样本问题)，这会导致协方差阵奇异，而在使用CCA时，要求训练样本的协方差阵是非奇异的。而且将图像矩阵转化为列向量，会破坏像素间的空间相关性，设m×n大小的图像矩阵通过行连接转化为列向量，像素a和b在图像矩阵中本来是上下相邻的，但在列向量中位置却相差m个像素，显然破坏了像素间固有的空间信息，不利于特征的抽取。

经检索还发现，孙权森的博士论文《基于相关投影分析的特征抽取与图像识别研究》(南京理工大学，2006)提出了2D-CCA方法(2-Dimensional CanonicalCorrelation Analysis，简称2D-CCA)，直接利用图像的矩阵表达形式进行相关投影分析，提高了特征的抽取速度，但是2D-CCA仅仅是对图像矩阵的列作线性组合，只反映了图像行之间的信息，因而仅降低了图像矩阵的列的大小，求得的特征矩阵的维数较高。而同时从行和列两个方向降维，可以更自然地刻画图像矩阵行向量间的关系和列向量间的关系，抽取的特征能更集中地反映图像的信息。而且CCA考察的是两个多维变量之间的相关关系，通过投影变换抽取出较少的相关变量，这些变量完整而又简单地刻画了多维变量之间的相关性，达到了降维的目的，但是这些特征的鉴别能力可能不足，抽取的特征不适于作为分类识别目标的依据。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种面向鉴别的图像相关特征融合识别方法，使其利用图像的矩阵表示形式，同时从行列两个方向降维，抽取出能更集中地反映图像的信息的特征，进一步的线性鉴别分析处理，提高特征的鉴别能力，本发明可应用于图像识别，能够提高识别的精度。

本发明是通过以下技术方案实现的，本发明包括：图像采集模块、投影矩阵获得模块、新特征构造模块、线性鉴别分析模块、数据分类模块，其中：

图像采集模块采集反映目标两种特性的两幅图像，经过图像配准操作后，将两幅图像组成图像对，将每幅图像作为一个矩阵，然后将这些图像对作为训练样本集，最后将训练样本集传输给投影矩阵获得模块和新特征构造模块，并将采集到的测试图像传输给新特征构造模块；

投影矩阵获得模块接收训练样本集，分别建立这两种训练图像矩阵的平均值，根据得到的平均值，再根据面向鉴别的图像相关特征融合识别方法，给定初始迭代值，通过迭代过程，解特征值问题，构成从行和列两个方向抽取特征的投影矩阵，并将投影矩阵传输给新特征构造模块；

新特征构造模块接收输入的训练图像和投影矩阵，将所有训练图像矩阵利用投影矩阵投影到特征空间，得到两种图像的训练特征，将测试图像也投影到特征空间，得到两种图像的测试特征，将这两种图像的训练特征和测试特征分别做并行融合形成新特征，并将新特征转化为向量形式后传输给线性鉴别分析模块；

线性鉴别分析模块接收新特征，将训练特征并行融合形成的新特征作为线性鉴别分析方法的训练数据，测试特征并行融合形成的新特征作为测试数据，用线性鉴别分析方法抽取得到面向鉴别的训练系数矩阵和测试系数矩阵，并将训练系数矩阵和测试系数矩阵传输给数据分类模块；

数据分类模块接收训练系数矩阵和测试系数矩阵，将训练系数矩阵作为识别标准，采用最小距离分类器进行分类识别，即能识别出测试图像所属的类别。