[发明专利]一种基于有监督学习概率主题模型的地点图像识别方法

权利要求书

1.一种基于有监督学习概率主题模型的地点图像识别方法，其特征在于，通过采用sLDA模型代替LDA模型识别测试集中未知的地点图像；所述方法包括以下步骤：

步骤1，通过安装在机器人上的标准摄像头获取训练图像集和测试图像集；

步骤2，图像预处理，将获取的图像灰度化；

步骤3，采用SIFT对图像进行局部特征检测和描述；

包括图像关键点检测以及将关键点表示为128维的特征描述子；

步骤4，生成“词袋”；

将步骤3提取的所有训练集图像的局部特征通过k-means算法进行聚类，然后将若干聚类中心作为“词袋”中的词，建立“词袋”；

步骤5，使用“词袋”中的词对图像进行描述；

将训练图像集和测试图像集中的每幅图像的局部特征用“词袋”中的词进行描述，得到“词袋”中词的频数向量；

步骤6，建立有监督学习的潜在主题模型；

将步骤5中得到的图像的词频数向量作为输入潜在主题模型输入变量，设定潜在主题的数目，采用mean-field variational算法对有监督学习的潜在主题模型的参数进行学习，得到图像的类别响应；

步骤7，识别未知图像；

图像类别为sLDA模型中响应变量达到最大期望值时类别值，用公式表示为：

c*=argmaxc∈{1,...,C}Eq[ηcTz‾]=argmaxc∈{1,...,C}ηcTφ‾]]>

其中，c^*为图像的类别。

2.根据权利要求1所述的一种基于有监督学习概率主题模型的地点图像识别方法，其特征在于，所述步骤6建立有监督学习的潜在主题模型的方法包括以下步骤：

步骤6.1，生成图像主题分布参数；

图像主题分布概率θ_d的先验分布服从参数为α的Dirichlet分布，即θ_d～Dir(α)；

步骤6.2，生成图像特征参数；

图像的第n个特征w_d,n对应的主题为z_d,n，z_d,n服从参数为θ_d的Multinomial分布，即z_d,n～Mult(θ_d)；图像的第n个特征w_d,n在主题z_d,n下的概率服从参数为的Multinomial分布，即wd,n~Mult(πzd,n);]]>

步骤6.3，生成图像类别标签；

图像类别c_d服从参数为的softmax回归，即其中z‾d=1NΣn=1Nzd,n,]]>softmax回归函数为p(cd|z‾d,η)=exp(ηcTz‾d)/Σl=1Cexp(ηlTz‾d),]]>N为一幅图像特征总数，C为类别总数；

第d幅图像属于类别c的概率为：

p(w→d,c|α,π,η)=∫p(θ|α)Σz(Πn=1Np(zd,n|θ)p(w→d|zd,n,π))p(c|z→d,η)dθ]]>

其中，为第d幅图像的特征向量，c为第d幅图像的类别；

在sLDA模型中，根据图像的特征信息很难计算主题概率的后验分布因此采用mean-field variational算法近似计算上述后验分布；Variational算法假设隐含变量的概率分布是一些相互独立变量的条件分布，然后通过最小化KL距离来近似真实的后验条件分布；mean-field variational分布为使用mean-field variational算法时sLDA模型中隐变量的概率分布，即其中γ是变分Dirichlet参数，φ_n是K个主题的变分多项式分布参数；用mean-field variational算法估计sLDA模型参数的方法如下：

（1）估算γ和φ_n；

根据variational算法得到变分目标函数，即似然函数，其表达式为：

通过最大化上述似然函数的近似下界函数L(γ,φ_n;α,π,η)，计算隐变量的参数γ和φ_n，使其分布在当前sLDA模型参数下尽可能逼近其真实分布，公式如下：

γ=α+Σn=1Nφn]]>

φni∝πi,wnexp[ψ(γi)+1Nηci-(hTφnold)-1hi]]]>

其中，i表示的是主题，c表示的是类别，为上一次迭代过程中的φ_n值，h为便于sLDA模型中参数φ_n计算进而假设的参数，满足

（2）估算π和η；

用γ和φ_n更新π和η，公式如下：

πiw∝Σd=1DΣn=1Nd1(wn=w)φdni]]>

η＝(E[A^TA])^-1E[A]^Ty

其中，i表示主；y为图像类别响应函数，且满足A是为了便于sLDA模型中参数η计算假设的参数，满足

重复上述（1）、（2）两个步骤，直至隐变量γ和φ_n收敛。