[发明专利]一种对特征描述方法进行衡量的方法

说明书

技术领域

本发明涉及图像识别领域中的物体探测和识别领域，尤其是涉及一种对特征描述方法进行衡量的方法。

背景技术

在物体图像探测及识别领域，当前的研究热点是类属物体(Generic Object Category)探测及识别。类属物体指一类物体，同类物体中的个体之间存在着共性，也存在着个性，比如飞机、苹果和人。类属物体是针对特定物体而言的。特定物体是指某个特殊的个体，或者具有完全相同外表的一个群体，比如艾菲尔铁塔、我的自行车、崭新的iphone6。相比特定物体探测。

类属物体探测和识别的难度比特定物体明显增大。首先，一类物体包含的个体数量可能是无穷的，不可能用所有的样本来训练探测器，只能选取部分有代表性的个体。第二，同类物体具有共同的相似性，但是这些相似性可能很抽象，比如光滑、圆鼓鼓、金属质感等。最后，同类物体中的不同个体，往往会在外观上呈现差异性，如何界定一类物体可以包含的差异变化范围，以及如何根据这些差异进一步进行子类划分，也是一个难点。

类属物体探测器的设计基本都是从特征描述方法的设计或者选择开始。一般在探测器训练阶段，首先将在训练图像中采样的窗口使用特征描述方法转换为特征向量，之后再采用多种机器学习方法训练高上层识别模型及参数。在探测与识别阶段，首先将探测窗口使用特征描述方法转换为特征向量，再筛选组合与被探测物体相似度高的特征向量，实现物体探测与识别。由此可见，特征描述方法是物体探测器设计的基础，选择合适的特征描述方法对探测器的整体性能影响很大。

设计探测器需要对合适的特征描述方法做出选择，但是此前的特征描述评估方法都有不同的局限性。特定物体探测常使用的特征描述评估方法使用两张含有同一特定物体的图像，计算对特征点/区域通过特征向量匹配结果的正确率。但是类属物体不是完全相同的，无法确立精确匹配的特征点/特征向量。在类属物体探测上，常使用多种特征描述方法与多种上层识别模型结合的衡量体制。但是这样的衡量方法会受到上层识别模型的影响，其计算结果是有偏差的。

发明内容

本发明所要解决的技术问题是：针对上述存在的问题，提供一种对特征描述方法进行衡量的方法，本方法既能表现同类物体中特征的相似性(可重复性)，也能表现不同类物体中特征的差异性(可区分性)，对多种特征描述方法进行定量比较，从而选择最佳的特征描述方法。

本发明采用的技术方案如下：

一种对特征描述方法进行衡量的方法包括：

步骤1：对正样本的图像全部标识区域通过采样窗口进行均匀分布的采样；对负样本的图像通过采样窗口进行均匀分布的采样；

步骤2：使用被衡量的特征描述方法，将正样本图像全部标识区域的全部采样窗口和负样本图像的全部采样窗口分别对应转换为正特征向量F_P＝{α₁,α₂...α_A}和负特征向量F_N＝{β₁,β₂...β_B}，其个数分别记为A和B；

步骤3：使用一种聚类分析方法，依据正特征向量的空间分布距离，将正特征向量划分成K个聚类{w₁,w₂...w_K}，每个聚类中w_k称其为普通描述词，1≤k≤K，每个普通描述词w_k是n个正特征向量α_i的集合，w_k是F_P的子集，n≤A，10≤K≤1000；若某普通描述词包含的特征向量个数n≤X，则删除该普通描述词；否则保留该普通描述词；其中X为正样本数量的1％到50％；

步骤4：对普通描述词汇w_k，使用一种概率分布模型计算概率分布密度公式参数P(f|w_k)，然后使用所有的正特征向量α_i∈F_P,i＝1...A计算对该普通描述词汇的正可区分值用所有的负特征向量β_j∈F_N,j＝1...B计算对该普通描述词的负可区分值

步骤5：计算该普通描述词汇的可区分值为V(w_k)＝V_P(w_k)+V_N(w_k)；