[发明专利]一种基于特征规约的图像识别方法

说明书

本发明涉及一种基于特征规约的图像识别方法：针对基于局部特征描述子的图像特征描述中存在的特征冗余和存储空间占用大的问题，采用特征规约的思路，首先对图像进行特征划分、块规约和合并，再进行聚类规约，形成图像的特征表示，从而利用分类器进行分类学习和识别，本发明可以有效提高特征的紧凑程度，降低特征的存储空间，从而提高局部特征在图像检索、图像匹配等问题中的性能。

技术领域

本发明涉及一种基于特征规约的图像识别方法，用于视频监控，图像检索等领域。

背景技术

图像识别是计算机视觉中的一种典型应用。随着计算机视觉技术的发展，越来越多的应用希望在资源有限的情况下进行图像识别，由于特征越来越复杂，因此对特征进行必要的规约变得非常重要。

特征规约一般有两类主要方法，一种是对特征本身进行维数约减，另一种是对多种复合特征描述进行冗余消除。通过特征规约，使得对图像的特征描述更加紧凑，从而利于进行存储和加速分析。

在特征维数约减方面，主要包括线性降维和非线性降维两种。主成分分析(PCA)是一种常用的特征降维方法，它的基本思想是通过正交变换将高维数据映射到一个主成分空间中。线性判别分析(LDA)也是一种常用的降维方法。与PCA不同，LDA的主要目的是使降维后的数据点尽可能的容易被区分，而PCA则是尽可能保持降维前后的数据信息。线性降维通常假设数据从高维空间到低维空间的映射是线性的，但这在实际情况下有时不能得到满足。非线性降维可以更好的适应实际任务的需要。基于核技巧(kerneltrick)的降维方法是一种常用的非线性降维方法。核主成分分析(KPCA)是对线性PCA算法的非线性扩展，为了更好的处理非线性数据，KPCA引入了非线性映射函数，将原空间中的数据映射到高维空间。

对复合特征进行冗余消除，常用的方法是进行特征选择。L1正则化特征选择利用了L1范数具有稀疏性的特性，从而变然具有消除冗余的特性。此外，一些基于对数几率回归核随机森林的方法，则通过打分的方法来对特征进行冗余消除。

虽然各种方法有不同的优势，但以上方法存在的问题是没有反映出特征点在图像中几何上的分布规律。与以上方法不同，本发明方法考虑到了特征点的几何分布规律，并且计算速度更快。

发明内容

本发明的技术解决问题是：克服现有技术的不足之处，提供一种基于特征规约的图像识别方法，该方法能够降低特征的维度并反映局部特征在几何上的分布规律，同时计算简单，工程实现容易。

本发明的技术解决方案为：一种基于特征规约的场景识别方法，包括以下步骤：

(1)对图像提取SIFT特征点，划分和合并特征块区域，得到图像中的所有特征块区域；

(2)对图像中的所有特征块区域，进行块特征规约；

(3)对块特征规约后的特征点，进行层次聚类规约，生成特征的联合表示；

(4)对特征的联合表示进行基于度量矩阵的特征降维；

(5)将降维联合特征作为SVM分类器的输入，训练分类器，得到用于图像识别的分类器参数，从而完成了本发明的基于特征规约的图像识别过程。

所述步骤(1)中，按照网格方式将原始图像进行初始划分为m个5×5的特征块区域，统计m个特征块区域的平均特征点密度，记为

其中，n_i是第i个特征块区域内特征点的数量。从图像的左上角位置开始，按照从左到右从上到下的方向进行搜索，对于特征点数量少于的特征块区域，按照从右到下的顺序将其与相邻的特征块区域进行合并，直到合并后的特征块区域等于或大于则跳转到下一个未搜索过的特征块区域进行同样的操作，直到所有的特征块区域都已完成合并操作。