[发明专利]一种基于分层特征提取的图像识别方法

权利要求书

1.一种基于分层特征提取的图像识别方法，其特征在于，所述方法包括：

步骤1，根据图像数据集的特征定义多尺度的框架和相邻尺度的变换；所述步骤1具体包括：

步骤1.1，根据图像数据集的特征定义图像的框架，其中所述框架包括多个图像层，多个所述图像层中包括依次相邻的图像层u、v和Sq，其中在u、v和Sq上定义的图像块分别为f^u、f^v和f^Sq，图像集合分别为和其中，

步骤1.2，确定u至v的变换为其中，为拉伸变换，为平移变换，α为拉伸参数，β为平移参数，所述变换的集合为其中，表示集合中的元素个数；确定v至Sq的变换的集合为其中，表示集合中的元素个数；步骤2，根据定义的所述框架和所述变换构造不同尺度下的模板；

步骤3，根据不同尺度下的所述模板构造不同尺度下的特征；

步骤4，融合多尺度的所述特征，构造分类器进行图像识别。

2.根据权利要求1所述的基于分层特征提取的图像识别方法，其特征在于，所述步骤2具体包括：

步骤2.1，从所述图像集合中随机选取初始模板集合和其中，

步骤2.2，确定每个模板对应的分数，其中，j＝1,2,…,q^u，根据所述分数的大小按降序排列，选取前个模板构造模板集合其中，

步骤2.3，确定初始模板集合中每个模板的差异指标值，根据所述差异指标值将初始模板集合中的模板按照降序排列，记为其中是在的第i个图像块，i＝1,2,…,q^v，并根据构造模板集合其中，

其中，所述确定初始模板集合中每个模板的差异指标值的具体实现包括：

令图像的训练集为每个训练图像I_j的第二层尺度特征是一个q^v维的向量，记表示第二层尺度特征的第i个分量，N_z表示属于训练集中第z类的样本个数，其中，根据第二公式确定所属类别的样本在模板上神经响应的平均值，所述第二公式为：

其中，是第z类的第n个样本，n＝1,2,…,N_z，是所述样本在的神经响应值；

每个模板的差异指标值的定义为：

其中，

其中，所述根据构造模板集合的具体实现包括：

步骤2.3.1，从随机选取一个模板

步骤2.3.2，从依次选取图像模板根据第三公式确定相关系数，所述第三公式为：其中，i＝2,3,…,q^v,j＝1,2,…,表示神经响应；

步骤2.3.3，当最大值不超过预定阈值ε时，将添加至

步骤2.3.4，重复步骤2.3.2和步骤2.3.3，直至有q^v个模板加入到

3.根据权利要求2所述的基于分层特征提取的图像识别方法，其特征在于，所述步骤2.2的具体实现包括：

对于图像块f^v和模板集合定义图像块f^v与模板之间的相似度为相关系数其中，j＝1,2,…,根据第一公式获得图像块f^v关于模板集合的相似矩阵，所述第一公式为：

其中，第i行的第j个分量代表和之间的相似度，其中，表示复合函数运算；

对于模板其中，i＝1,2,…,q^v，根据所述第一公式获得相似矩阵分数的定义为：

4.根据权利要求3所述的基于分层特征提取的图像识别方法，其特征在于，所述步骤3的具体实现包括：

步骤3.1，对于标定尺度，根据所述标定尺度对应的模板构造相似矩阵；

步骤3.2，对所述相似矩阵进行局部编码，获得稀疏的相似矩阵；

步骤3.3，对所述稀疏的相似矩阵进行最大池化，获得标定尺度下的特征。