[发明专利]一种基于分层特征提取的图像识别方法

说明书

本发明涉及一种基于分层特征提取的图像识别方法，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；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。本发明提供的技术方案可有效地获得既有代表性、又有判别性的模板集合，来提取更有效的图像特征，能够以较低的计算复杂度来获取更高的识别精度。

技术领域

本发明涉及图像处理技术领域，具体涉及一种基于分层特征提取的图像识别方法。

背景技术

特征提取是图像识别的研究热点，被广泛应用于科学研究、工业生产、医疗卫生、教育、管理和通信等领域。通常，可靠的鉴别特征一直是完成识别任务的关键。

在过去几十年中，特征提取一直都是很多科研人员的研究重点，为此许多特征提取算法已被提出，比如主成分分析(PCA)，尺度不变特征变换(SIFT)，线性判别分析(LDA)，空间金字塔匹配(SPM)，卷积神经网络(CNN)、HMAX模型和分层的神经响应(NR)算法等。但是，通过这些方法进行图像特征提取时，计算复杂度和图像识别精度始终难以达到平衡。

发明内容

针对现有技术的不足，本发明提供一种基于分层特征提取的图像识别方法。

本发明提供的一种基于分层特征提取的图像识别方法包括：

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。

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。

本发明提供的基于分层特征提取的图像识别方法的有益效果是，输入为待识别的图像，输出为经过分析和处理的识别结果。根据图像数据集的特征定义多尺度的框架和多尺度中相邻尺度的变换，确定不同尺度下的模板，从而获得既有代表性、又有判别性的模板集合，根据不同尺度下的模板获得相应特征，通过分层特征提取以获取更有效的图像特征，最后使用融合多层特征训练分类器来做分类，能够以较低的计算复杂度来获取更高的识别精度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例的基于分层特征提取的图像识别方法的流程示意图；

图2为本发明实施例的图像的框架示意图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

如图1所示，本发明实施例的基于分层特征提取的图像识别方法包括：

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。

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。