[发明专利]基于Fisher判别字典学习的仓库货品识别方法

说明书

技术领域

本发明属于仓库货品识别技术领域，尤其涉及一种基于Fisher判别字典学习的仓库货品识别方法。

背景技术

仓库是物资集中储存的场所，包括国家、集体或个体经营储存物品的各类仓库、堆栈、货场等。日常工作的重要内容是为物流与供应链系统服务，所以对仓库货品的管理有很高的要求。目前，很多仓库管理工作采用人工的方式，要付出大量人力填写各种表格、凭证、账册、卡片和文件。由于信息是随着时间不断变化的，所以仓库数据要按照不同的分类经常不断地汇总、统计，往往要做许多重复登记和转抄。这种手工操作的管理方式不仅浪费人力，而且存在着处理速度慢、易出现错误、不便于查询及缺乏综合性等缺点，大大降低了信息的利用价值，很难适应现代仓库管理工作的需要。随着企业现代化生产的不断扩大，仓库的规模化也得到了快速发展，货品的准确快速分类识别越来越受重视，同时也是实现智能化仓库的前提和基础。传统的识别方法遵循先提取特征、后输入分类器模式的一般研究规律。即先采用SIFT、SURT以及纹理或颜色等进行特征提取，然后采用人工神经网络、支持向量机等人工智能方法进行分类识别。此类识别方法具有各自的特点和应用局限性，并且受选取的特征影响很大，增加了识别的复杂性。

随着压缩感知理论的提出，采用稀疏表示来解决识别问题成为了热点。在过去的几年里，稀疏信号表示已广泛应用于数字信号处理领域，例如：压缩感知和图像恢复。Wright等率先将稀疏表示方法引入到人脸识别中，提出了基于稀疏表示的人脸识别方法(sparse representation based classification,SRC)。SRC直接用训练样本构造字典矩阵，通过L1范数最小化计算待测试样本的稀疏表示系数，最后根据各类别对应的稀疏系数计算重构误差，得到分类结果。在稀疏表示中，构造好的字典起着重要的作用。构建稀疏编码字典的方法一般有两种，分别是标准的数据模型法和数据驱动法。在数据模型法中，选择的标准字典原子通常不能足够有效地表示信号，而利用数据驱动方法学习的字典却能更准确地代表信号。但是直接用训练样本构造字典矩阵是数据冗余的，如果训练样本数太多，大量的计算也会成为棘手的问题。因此，在训练样本中学习得到一个更简洁或鲁棒的字典，不仅能够实现正确地分类，而且具有更好的数据独立性。

发明内容

本发明旨在解决上述问题，将Fisher准则的结构化字典学习方法引入到仓库货品识别领域，在判别字典的学习过程中，通过利用每一个字典对应一个类别标签类来减少同类别训练样本对应的重构误差，同时综合考虑稀疏编码系数类内、类间误差，以使类内误差最小、类间误差最大。最后由重构误差和稀疏编码系数实现对仓库货品的分类识别。仓库货品识别的基本问题是在给定C种不同类别的训练样本的条件下，对于一个新的测试样本正确地识别其所属类别。SRC对训练样本降维后按列直接构造字典矩阵，丢失大量分类信息。并且由于存在干扰信息，该字典并不能有效表示测试样本。为了使得字典即具有较好的重构能力，又具有很好的判别能力，本文提出一种基于Fisher判别字典学习的仓库货品识别的方法，从训练样本集中求得具有更好表现能力和分类能力的字典矩阵。

具体而言，本发明提供的一种基于Fisher判别字典学习的仓库货品识别方法包括以下步骤：

步骤1：首先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