[发明专利]基于Fisher判别字典学习的仓库货品识别方法

权利要求书

1.一种基于Fisher判别字典学习的仓库货品识别方法。其特征在于：Fisher判别字典的学习综合考虑了两方面因素，一是字典原子和类别标签相对应，使同类的重构误差最小；另一方面使得稀疏编码系数的类内误差最小、类间误差最大。在分类时，重构误差和稀疏编码系数判别信息共同用于分类识别。同时，所用字典的维度和字典原子个数可以较少，数据量减少、更简单快速。并且该方法获得了更高的准确率，同时提高了识别速度，对抗噪声干扰有较好的鲁棒性。

2.根据权利要求1所述的基于Fisher判别字典学习的仓库货品识别方法，其特征在于：主要包括如下步骤：

步骤1：采集不同条件下的仓库货品图像，将采集到的图像分为两部分：训练样本集和测试样本集。并对这两种样本集分别进行图像预处理操作，然后重排像素值并经过PCA进行降维；

步骤2：将降维预处理好的训练样本集通过Fisher准则方法学习一个判别的字典，将字典学习转化为求如下目标函数的最优解J_(D,X)＝arg min_D,X{r(A,D,X)+λ₁‖X‖₁+λ₂f(X)}，其中，r(A,D,X)是字典的表达能力保真项；‖X‖₁为系数的稀疏约束；f(X)表示判别约束项；λ₁，λ₂为控制目标函数中3项信息比例的常量。具体过程如下：

步骤2-1：初始化字典矩阵D，字典的每个基向量为训练样本的PCA特征向量；

步骤2-2：固定字典D，目标函数简化为其中M_k、M分别为类别K和全部类别的平均系数矩阵，通过迭代投影法求出X_i最优解，更新稀疏编码系数X；

步骤2-3：固定稀疏编码系数X，更新D_i时，D_j(j≠i)固定不变，目标函数简化为使用投影字典对字典学习求解，更新字典D；

步骤2-4：当相邻迭代结果误差小于一定阈值，或达到最大迭代次数，输出X和D，否则返回步骤2-2；

步骤3：将降维预处理好的测试样本通过判别字典得出稀疏编码系数，然后同时使用重构误差和稀疏编码系数进行分类，得出分类结果。

3.根据权利要求2所述的基于Fisher判别字典学习的仓库货品识别方法，其特征在于：步骤1中，通过摄像机采集到的图像为RGB彩色图像，由于存储彩色图像会占用大量的内存资源，并且货品的彩色图像特征并不能作为货品分类的依据。为了提高处理效率，将彩色图像转换为灰度图像，并且也滤除了一些不必要的图像噪声。同时为了降低数据存储量提高识别效率，采用主成分分析方法(principal component analysis,PCA)进行降维操作。

4.根据权利要求2所述的基于Fisher判别字典学习的仓库货品识别方法，其特征在于：步骤2-2中，固定字典D，目标函数简化为其中M_k、M分别代表类别K和全部类别的编码系数均值。设n_i、n分别表示第i类和全部的训练样本数目，当η>1-n_i/n时，f_i(X_i)严格凸优化于X_i，令η＝1，可通过迭代投影法求出X_i最优解，更新训练样本集的稀疏编码系数X。

5.根据权利要求2所述的基于Fisher判别字典学习的仓库货品识别方法，其特征在于：步骤2-3中，固定稀疏编码系数X，更新D_i时，D_j(j≠i)固定不变，目标函数简化为上式是一个二次规划问题，使用投影字典对字典学习求解，更新字典D。

6.根据权利要求2所述的基于Fisher判别字典学习的仓库货品识别方法，其特征在于：步骤3中，通过Fisher准则方法学习得到的字典D使用了重构误差和稀疏编码系数的判别信息，所以同时使用重构误差和稀疏编码系数进行分类。将降维预处理好的测试样本通过判别字典D，使用最小二乘法解L2范数最小化问题，得出稀疏编码系数，然后使用重构误差和稀疏编码系数进行仓库货品的分类。具体过程如下：

使用子字典D_i表示测试样本y∈R^m的稀疏编码系数，定义目标函数为其中，是与子字典D_i相关联的第i类稀疏编码系数均值向量；γ表示常量；使用最小二乘法求解的最小L2范数，可以很快得到解。

因为学习的字典D_i不仅可以很好地线性表示y，而且稀疏编码系数向量x与相似，定义分类的评分为最后分类结果为id(y)＝arg min_{i＝1,2,…,c}{e_i}，其最小值代表正确地分类。