[发明专利]基于主成分分析的卷积神经网络特征提取方法

说明书

本发明公开了一种基于主成分分析的卷积神经网络特征提取方法，该方法首先选取了在Imagenet数据集上已经训练好的卷积神经网络，将该网络作为图像的特征提取器，然后从该卷积神经网络的每个池化层的输出中提取特征映射图，最后将提取的每层所有特征映射图做为图像的深度特征，利用了主成分分析，对其进行了降维，并利用双线性插值法，将最后的结果特征映射图重置到原图像大小，得到了高效的图像深度特征。本发明得到的深度特征，含有图像丰富的语义信息，且特征维度低，数据量小，可用于图像的各种识别和分类任务。

技术领域

本发明属于图像信号处理技术领域，特别是一种基于主成分分析的卷积神经网络特征提取方法。

背景技术

在图像的识别、分类以及检测任务中，传统的机器学习的方法都是基于图像的低级手工特征，即直接能从图像中提取的特征。如颜色特征、纹理特征以及直方图特征，这些特征针对内容简单的图像，能有很好的效果，但是遇到内容复杂图像时，手工特征不能有效表征图像性质，用这些手工特征训练出来的模型鲁棒性较差。传统的图像特征更多的是针对特定的问题，进行专门的人工设定，这种方法泛化能力弱，可移植性差，准确度相对较差。

随着深度学习的兴起，卷积神经网络(CNN)在图像识别和分类任务中表现十分优异，卷积神经网络发展很快，人们在研究其中间层的输出时发现这些输出也可以作为表示图像的特征，并且隐藏层越深，其输出中的语义信息更丰富，这是从传统手工特征无法获得的高级图像特征。这些从学习到的网络模型中提取的特征简称为深度特征。深度特征相比低级的手工特征鲁棒性更好，在面对低对比度图像以及复杂图像时同样能很好地表征图像内容。所以人们开始将CNN中提取的深度特征用于传统的机器学习中，获得了显著的效果。应用有图像显著性目标检测(Zou W,Komodakis N.Harf:Hierarchy-associated richfeatures for salient object detection[C]//Proceedings of the IEEEInternational Conference on Computer Vision.2015:406-414.)，目标检测(GirshickR,Donahue J,Darrell T,et al.Rich feature hierarchies for accurate objectdetection and semantic segmentation[C]//Proceedings of the IEEE conference oncomputer vision and pattern recognition.2014:580-587.)，视觉识别(Donahue J,JiaY,Vinyals O,et al.Decaf:A deep convolutional activation feature for genericvisual recognition[C]//International conference on machine learning.2014:647-655.)等领域，典型的有：

(1)图像显著性检测：图像的显著性检测目的是找出图像中的显著前景目标，其方法一般有自底向上的和自顶向下两种。大部分模型都是自底向上的方法，根据像素或者超像素的各种特征来判断显著性目标。已有人开始将深度特征以及手工特征融合后用于显著性检测，相比只有手工特征的模型，性能有了极大的提升。

(2)目标检测：不同于显著性目标检测，目标检测是检测图像中指定的目标，并且一个图像中可能有多个需要定位的目标。传统方法使用手工特征，提取过程复杂，且高度依赖具体任务，可移植性差。CNN特征含有丰富语义信息，对一定程度扭曲变形也有很强的鲁棒性，通过加入CNN特征，同样使目标检测的性能有了很大提升。