[发明专利]一种基于分层高斯混合模型的场景识别方法

说明书

技术领域

本发明属于场景识别领域，更具体地，涉及一种基于分层高斯混合模型的场景识别方法。

背景技术

场景识别方法的主要包括提取图像的特征描述子和选择合适的分类器。其中提取图像的特征描述子是场景识别的核心技术。图像的特征描述子的有效性是一个关键问题。现在图像特征描述子主要有统计直方图，区域协方差和单高斯型。统计直方图是统计直方图是概率密度函数的逼近，直方图存在以下缺点：对于噪音和特征量化的数目是很敏感的；直方图的维数与通道数呈现指数增长；由于直方图分布已经不在向量空间，要是用向量空间的度量方式，破坏了原有空间的属性。区域协方差也是表示图像的重要特征，区域协方差矩阵是正定矩阵，由于正定矩阵构成了连通的黎曼流形，有丰富的数学理论作为支撑，从而我们可以用黎曼流形中测地线来度量。区域协方差降低了统计直方图表示的维数，但是没有考虑均值信息的影响。单高斯型是在概率密度分布空间下的重要描述子。基于单高斯分布，证明了单高斯分布是李群。基于李群理论，融合了区域协方差和均值信息。这样就可以用李群空间的度量来度量两个单高斯型。

然而，现有的场景识别方法存在以下问题：

1.在概率密度空间框架下，分层高斯混合模型已经不在向量空间中，直接在向量空间处理分层高斯混合模型，会破坏原始空间的结构信息。

2.没有考虑描述子向量不同维之间数据的相关性，有大量的信息冗余。

发明内容

针对现有技术的缺陷，本发明的目的在于提供一种基于分层高斯混合模型的场景识别方法，旨在解决现有场景识别方法中存在的原始空间的结构信息容易被破坏、以及没有考虑子向量不同维之间数据相关性所导致的大量信息冗余的问题。

为实现上述目的，本发明提供了一种基于分层高斯混合模型的场景识别方法，包括以下步骤：

（1）提取训练图像库中所有图像对应的分层高斯混合模型，并获取分层高斯混合模型的李代数描述子，具体包括下述子步骤：

（1-1）提取训练图像库中图像的SIFT向量，用主成分分析方法对SIFT向量降维，并结合空间横坐标和纵坐标信息得到最终的D维特征向量，其中D为正整数；

（1-2）确定图像对应的分层高斯混合模型所包含的单高斯分量数目K，使用期望最大值算法估计训练图像库中全局混合高斯的极大似然参数{(μ₁,∑₁,π₁),....,(μ_K,∑_K,π_K)}，其中μ_i表示第i个单高斯分量的均值，∑_i表示第i个单高斯分量的协方差矩阵，π_i表示第i个单高斯分量在全局混合高斯中所占的比重,且0≤π_i≤1,1≤i≤K；

（1-3）根据全局混合高斯的极大似然参数，采用最大后验概率方法获取每个图像对应的混合高斯参数，其中图像I对应的混合高斯参数Q={(μI1,ΣI1,πI1),.....μKI(ΣKI,πKI,,]]>总共有K个高斯分量，其中和表示图像I中第i个高斯成分的均值和协方差矩阵，表示图像I中第i个高斯成分在图像I对应的混合高斯中所占的权重，且1≤i≤K,K＞1；