[发明专利]一种基于鲁棒多平面支持向量机的图像识别方法及装置

说明书

技术领域

本发明涉及计算机视觉和图像识别技术领域，特别是涉及一种基于鲁棒多平面支持向量机的图像识别方法及装置。

背景技术

随着计算机技术和智能化的不断发展，图像识别与分类已经发展成为计算机视觉与模式识别研究中的重要研究课题之一。图像识别通过计算机将纸质图像数字化，结合图像分析与描述，获取图像特征，在图像检索、人脸识别和机器人等研究领域中有着重大的意义，一旦研究成功并投入应用，将产生巨大的社会和经济效益。但是抽取图像特征的过程具有一定难度，到目前为止，图像识别方法距实用要求还有一定距离。目前，大部分研究工作集中在处理图像特征提取和识别问题，且也已取得一定的成果。但是真实世界中的图像(例如人脸图像、手写体等)通常包含噪音、数据破坏、数据缺失等问题，因此如何有效减少数据中的噪音或异类对图像特征提取和图像识别结果的不利影响需要进一步深入探讨。

近年来，鉴于传统支持向量机(SVM)的优越性能和泛化能力，被广泛应用于数据分类和图像识别等领域。但是SVM只输出一个超平面，对一些特殊分布的数据(如XOR)处理效果较差。鉴于此，近年来基于多平面的支持向量机学习技术被广泛关注。最具代表性的多平面SVM学习方法有GEPSVM(Generalized Proximal SVM)、TWSVM(TWIN SVM)和MVSVM(Multi-weight Vector Projection SVM)等。但是目前的多平面SVM方法均基于传统的2-范数距离度量，对数据中噪音非常敏感。另外，MVSVM还会受模型最优参数选择的困扰，且泛化特征值分析过程易遭遇奇异性问题。

因此，本发明提出一种将1-范数度量应用于多平面支持向量机的图像识别方法及装置，通过对训练样本进行鲁棒的判别学习，优化得到最具鉴别性的鲁棒线性分类器，对图像数据中可能包含的噪音或异类数据具有较强的鲁棒性和抗干扰性，且延续了多平面支持向量的优点。

发明内容

本发明的目的是提供一种基于鲁棒多平面支持向量机的图像识别方法及装置，目的在于解决现有技术中容易受到噪声干扰、易因参数选择造成误差以及学习系统不稳定等问题。

为解决上述技术问题，本发明提供一种基于鲁棒多平面支持向量机的图像识别方法，包括：

将测试图像向鲁棒线性分类器进行投影，获取所述测试图像对应各个类别的第一投影特征；其中，所述鲁棒线性分类器中的投影向量为通过对训练样本集中的多个样本图像进行训练，将1-范数度量应用于多平面支持向量机，紧凑类内散度矩阵与分离类间散度矩阵，确定得到的鲁棒投影最优向量；

将训练样本集中的样本图像的均值向所述鲁棒线性分类器进行投影，获取所述训练样本集均值在各个类别的第二投影特征；

分别计算各个类别的第一投影特征与对应类别的第二投影特征的距离；

将所述距离的最小值所对应的类别确定为所述测试图像的类别。

可选地，所述鲁棒线性分类器中的投影向量为通过对训练样本集中的多个样本图像进行训练，将1-范数度量应用于多平面支持向量机，紧凑类内散度矩阵与分离类间散度矩阵，确定得到的鲁棒投影最优向量包括：

建立基于1-范数度量的多平面支持向量机分类器模型；

对样本图像进行学习，确定以使类内距离最小且类间距离最大的鲁棒投影最优向量。

可选地，所述建立基于1-范数度量的多平面支持向量机分类器模型包括：

获取预设的图像数据向量集合X＝[x₁,x₂,...,x_N]∈R^n×N，所述集合包括：有类别标签的训练样本集X_L＝[x₁,x₂,...,x_l]∈R^n×l以及无类别标签的测试样本集X_U＝[x₁,x₂,...,x_u]∈R^n×u，且满足样本数量l+u＝N；

所述训练样本集包括两个类别的样本集，A类样本集以及为B类样本集且满足训练样本数量l₁+l₂＝l。

可选地，所述对样本图像进行学习，确定以使类内距离最小且类间距离最大的鲁棒投影最优向量包括：