[发明专利]一种基于回归模型的图像集合建模与匹配方法

权利要求书

1.一种基于回归模型的图像集合建模与匹配方法，其特征在于，包括如下步骤：

S1：组织训练图像集合；

S2：建立特征-类别回归模型；

S3：对测试图像集合进行投影；

S4：对测试图像集合进行分类。

2.如权利要求1所述的基于回归模型的图像集合建模与匹配方法，其特征在于，所述组织训练图像集合的方法为：给定m个带有类别标签的训练图像集合，分别构造用于存放观察样本特征表示向量的预测矩阵X和用于存放观察样本类别指示向量的响应矩阵Y，其中，预测矩阵X的每一行对应一个观察样本的特征表示向量，响应矩阵Y的每一行对应一个观察样本的类别指示向量，所述m为大于1的正整数。

3.如权利要求1所述的基于回归模型的图像集合建模与匹配方法，其特征在于，建立特征-类别回归模型的方法为：采用偏最小二乘回归方法学习预测矩阵X与响应矩阵Y之间的线性回归模型：Y＝XB_PLS。

4.如权利要求3所述的基于回归模型的图像集合建模与匹配方法，其特征在于，所述线性回归模型Y＝XB_PLS包括如下求解步骤：

S11：根据构造的预测矩阵X和响应矩阵Y，定义偏最小二乘回归的目标函数：

X＝TP^T+E

Y＝UQ^T+F

其中，T为预测数据X对应的语义表示矩阵，U为响应数据Y对应的语义表示矩阵，P为X对应的荷载矩阵，Q为Y对应的荷载矩阵，E为X对应的残差矩阵，F为Y对应的残差矩阵；

S12：采用迭代优化方法最大化目标语义空间中变量T和U之间的协方差，其中，T和U之间为线性关系，具有U＝TD+H，其中，D为对角矩阵，H为残差矩阵；

S13：利用优化所得的内蕴空间语义变量T和U，推导出预测矩阵X与响应矩阵Y之间的线性回归模型：Y＝X(P^T)⁺DQ^T，得到B_PLS＝(P^T)⁺DQ^T。

5.如权利要求1所述的基于回归模型的图像集合建模与匹配方法，其特征在于，对测试集合进行投影的方法为：给定未知类别的一个图像集合，按照训练图像集合的构造方式，将每个图像样本对应的特征表示向量作为观察图像预测矩阵X_t的一个行向量，利用训练阶段学习所得的线性回归模型得到B_PLS，得到测试图像样本集合对应的类别指示向量的响应矩阵：Y_t＝X_tB_PLS。

6.如权利要求1所述的基于回归模型的图像集合建模与匹配方法，其特征在于，对测试集合进行分类的方法为：综合测试图像集合内各单样本的类别指示向量的投票得到。

7.如权利要求6所述的基于回归模型的图像集合建模与匹配方法，其特征在于，所述投票方式为：根据各单样本对应的类别指示向量确定其所属类别，之后依据各类别所对应的样本数进行最大数投票。

8.如权利要求6所述的基于回归模型的图像集合建模与匹配方法，其特征在于，所述投票方式为：将所有单样本的类别指示向量累加得到整体图像集合的类别指示向量，依据所述类别指示向量针对不同类别的响应来进行投票。