[发明专利]离变焦图像序列特征提取方法和装置

说明书

本发明提供了离变焦图像序列特征提取方法和装置，采集离变焦图像序列；初始化图像序列子图像的控制变量；对离变焦图像进行慢变特征提取并构建层内慢变特征森林，生成与离变焦图像相对应的层内视觉特征慢变网络；判断控制变量是否满足训练要求，在不满足要求的情况下生成层内特征网络；否则，建立相邻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训练法则训练层间网络，采取深度学习的池方法提取特征向量存入特征库；根据未知类进行训练网络识别或增加新类。本发明确保了自然图像的非线性慢变特征提取与层内层间慢变关系的表达，使算法扩展的基具有自然图像自身包含的视觉选择性特征与算法弹性，降低原有算法计算复杂度。

技术领域

本发明涉及离变焦图像技术领域，尤其是涉及离变焦图像序列特征提取方法和装置。

背景技术

特征提取是计算机视觉和图像处理中的一个概念。它指的是使用计算机提取图像信息，决定每个图像的点或者区域是否属于一个图像特征。特征提取的结果是把图像上的点或者区域分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域。图像特征的提取和选择是图像处理过程中很重要的环节，对后续图像分类有着重要的影响，并且对于图像数据具有样本少，维数高的特点，要从图像中提取有用的信息，必须对图像特征进行降维处理，特征提取与特征选择就是最有效的降维方法，其目的是得到一个反映数据本质结构、识别率更高的特征子空间。

现有的慢特征提取分析算法中线性主成分分析算法(PCA)缺少对自然图像非线性主成分特征的提取，且慢特征原始算法中的多项式扩展算法计算复杂，同时原慢特征提取算法难以保证自然图像自身包含的视觉选择性特征与算法弹性。

发明内容

有鉴于此，本发明的离变焦图像序列特征提取方法和装置，目的在于提供离变焦图像序列特征提取方法和装置，确保了自然图像的非线性慢特征提取，同时使算法扩展的基具有自然图像自身包含的视觉选择性特征与算法弹性，并通过蒙特卡洛马尔科夫算法MCMC降低了算法计算复杂度。

第一方面，本发明实施例提供了离变焦图像序列特征提取方法包括：

根据采集到的离变焦图像，采用几何变换方法生成离变焦图像序列集合；

初始化控制变量以控制离变焦序列子图像的位置；

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；

判断所述控制变量是否小于离变焦图像序列大小，如果满足要求，则算法构造下一个图像的层内视觉特征慢变网络；否则在不满足要求的情况下，根据所述层内视觉特征慢变网络生成层间特征网络；

初始化建立所述第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中所有元素的层间连接并生成所述层间特征网络；

根据训练集和自定义的训练法则训练所述层间特征网络，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；

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。

结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，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；