[发明专利]离变焦图像序列特征提取方法和装置

权利要求书

1.一种离变焦图像序列特征提取方法，其特征在于，包括：

根据采集到的离变焦图像生成离变焦图像序列集合；

初始化控制变量以控制所述离变焦图像序列集合中的离变焦图像的位置；

对所述控制变量指定的所述离变焦图像进行非线性慢变特征提取，并构建层内慢变特征与慢变特征森林，生成与所述离变焦图像相对应的层内视觉特征慢变网络，其中，所述层内视觉特征慢变网络包括第K层内视觉特征慢变网络和第K+1层内视觉特征慢变网络，一幅所述离变焦图像对应一层所述层内视觉特征慢变网络；

判断所述控制变量是否满足要求，如果满足要求，方法返回上一段落表达的过程，计算下一个相邻层的层内视觉特征慢变网络；否则在不满足要求的情况下，方法转入下述表达的过程，根据所述层内视觉特征慢变网络生成层间特征网络，建立所述第K层内视觉特征慢变网络和所述第K+1层内视觉特征慢变网络中所有元素的层间连接；

根据训练集和自定义的训练法则训练层间网络，针对训练后的层间网络采用深度学习的池化方法构造慢变特征，提取特征向量存入特征库；

自定义分类法则和新类产生法则，对待识别图像进行识别分类或者产生新类。

2.根据权利要求1所述的离变焦图像序列特征提取方法，其特征在于，所述对所述控制变量指定的所述离变焦图像进行非线性慢变特征提取，并构建层内慢变特征与慢变特征森林，生成与所述离变焦图像相对应的层内视觉特征慢变网络包括：

以所述控制变量为主序顺次选取所述离变焦图像；

对所述离变焦图像进行随机采样得到慢变特征分析的初始数据集，并对所述初始数据集进行几何不变性变换，以扩展初始数据集；

对扩展后的所述初始数据集进行序列化和归一化处理；

利用非线性主成分分析算法，提取所述离变焦图像的非线性主成分特征，并生成非线性基集合；

对所述非线性基集合进行马尔科夫链蒙特卡洛MCMC非线性随机扩展得到扩展非线性基集；

利用自定义近似正交剪枝法对所述扩展非线性基集进行剪枝得到非线性近似正交基集；

对所述非线性近似正交基集的各个元素进行白化；

运用Gabor拟合算法拟合出白化后的所述非线性近似正交基集的非线性基的视觉感受野参数；

定义第一规则，并根据所述第一规则构造慢变基的层内视觉慢变拓扑集合，根据感受野的视觉选择性理论建立连接边，生成所述层内视觉特征慢变网络。

3.根据权利要求2所述的离变焦图像序列特征提取方法，其特征在于，对所述非线性基集合进行MCMC非线性随机扩展得到扩展非线性基集包括：

根据大数定理计算所述非线性基集合中元素的非线性基分布密度；

利用直方图法，计算所述非线性基分布密度的降序分布区域，并根据第一准则自适应选取分布密度最密集的区域；

对所述降序分布区域的各选择区域应用MCMC算法，预测并生成新基函数序列；

将所述新基函数序列加入所述非线性基集合得到所述扩展非线性基集以补充因采样图像而丢失的信息。

4.根据权利要求1所述的离变焦图像序列特征提取方法，其特征在于，根据训练集和自定义的训练法则训练层间网络，并采用深度学习的池方法构造慢变特征，提取特征向量存入特征库包括：

规定主序和次主序，根据所述主序和所述次主序定义并初始化第一三维数组，其中，所述第一三维数组包括训练集标识；

将层内各子网与所述训练集进行自定义卷积计算，得到每个所述子网卷积最大值，以及对应的子网包含的子基集，并保存到第二三维数组中；

以所述卷积最大值为主序，降序排列所述第二三维数组，以所述卷积最大值为索引自适应计算所述第二三维数组的分布规律，并截取所述第二三维数组，生成离变焦图像序列生层的水平层参与网络生成的子树；

利用第二准则对相邻两层进行组网；

判断控制变量是否满足要求；

如果不满足要求，则依据第一规则修改所述第一三维数组值；

判断所述训练集标识是否满足要求；

如果满足要求，则进行所述自定义卷积计算，并生成同类图像新训练子集以完成新训练过程；

如果不满足要求，则根据所述第一三维数组输出特征向量至特征数据库；

直至所有类训练结束，输出视觉三慢变训练网络。