[发明专利]基于SRC与MFA相结合的图像分类方法

说明书

本发明公开了一种基于SRC与MFA相结合的图像分类方法，主要解决现有特征提取方法因为仅考虑重构关系或局部判别结构，无法准确描述样本信息导致图片分类结果不理想的问题。其实现步骤是：1.输入训练样本和测试样本，构造同类和不同类样本矩阵，并初始化投影矩阵；2.对训练样本进行投影，分别以同类和不同类样本做字典，求解样本的稀疏表示系数，构造同类和不同类样本的稀疏权重矩阵；3.构造目标函数求解新的投影矩阵；4.对步骤2‑3进行迭代，直至循环次数大于给定初始值，输出最终投影矩阵，对测试样本投影；5.利用稀疏表示分类器对测试样本分类。本发明增强了图像分类的准确性，可用于警务系统中人物身份的判别或影像拍摄中物体的查找。

技术领域

本发明属于图像处理技术领域，特别涉及图像的分类方法，可用于警务系统中人物身份的判别或者影像拍摄等领域中物体的查找。

背景技术

图像分类是机器学习、模式识别和计算机视觉领域既热门又具有挑战性的研究方向之一。图像分类技术因具有简单、高效、安全、低成本等优势现在已经广泛应用在智能交通、公安、生物医学、电子商务、遥感技术、军事和多媒体网络通信等领域。图像往往会受到视角、光照、遮挡等成像因素的影响，这给图像的分类带来了很大的挑战。图像分类属于高维空间下的模式识别问题。因此在对图像进行识别时其首先要对图像进行特征提取，然后在低维的子空间进行分类判别。到目前为止，各种特征提取的方法在图像识别领域得到了广泛的应用。

2007年，颜水成等人提出了一种用于图像分类的边界Fisher分析方法MFA，该方法是基于传统的线性判别分析LDA和图模型理论提出的，其根本目的就是在一个适当邻域内将同类样本拉近，不同类样本拉远，从而起到更好的样本分类效果。但是MFA方法存在很大缺陷。2009年，Wright等人提出一种基于信号稀疏表示的分类方法SRC，成功地将压缩感知理论应用到图像识别中。该方法基于采样稀疏信号表示理论，将图像识别看作多个线性回归模型的分类问题，测试样本可以用训练样本库中同类样本的线性组合来表示。因此从整个样本集的角度来看，线性加权的系数自然是稀疏的，于是就可将稀疏重构问题转化为L1范数优化问题。2010年，乔立山等人提出了稀疏保持投影SPP，它是在流形稀疏表示的框架下，构建数据集的紧邻权重矩阵。最近，杨健等人基于SRC理论提出了基于判别投影的稀疏表示分类器方法SRC-DP，该方法主要基于残差准则进行类别重建，从而实现特征提取的目的。

MFA方法在构建邻域权重图时，是通过欧式距离来判定邻域间的关系，但是欧式距离下最近邻的样本往往并非同类样本，因此在应用于分类时结果有时并不理想。MFA方法严重依赖人工参数的选择，如果前期不能对参数有较好的预判，则分类的效果同样不好。除此之外，用这种方法在进行图像识别时，由于只考虑样本的局部判别信息，而没有从重构的角度对样本进行分析，从而导致分类的结果也不理想。

SRC-DP方法存在有以下两方面的缺陷：

一是由于仅仅考虑了数据的重构问题，忽略了数据的局部判别信息，从而使得整体分类结果不理想。

二是由于仅考虑重构残差，不能更好地描述判别结构，特别是在类别数较大的情况下，SRC-DP方法不能进行有效的识别。

发明内容

本发明的目的在于克服上述已有技术的不足，提出一种基于SRC与MFA相结合的图像特征提取方法，以在图像类别数较多的情况下，提高图像的识别率。

本发明的技术关键是：在考虑对数据重构问题的同时，加上了对数据局部判别结构的分析，其实现步骤包括如下：

(2)定义同类和不同类样本矩阵：

令A_d表示与原始空间训练样本不同类的样本矩阵，即