[发明专利]图像分类方法及系统

权利要求书

1.一种图像分类方法，其特征在于，包括：

从训练样本提取多视图特征集；

基于自适应近邻学习的多视图特征选择学习，从所述多视图特征集中选择多视图特征子集；

利用所述多视图特征子集，构建多核学习支持向量机分类器；

采用所述多核学习支持向量机分类器对图像进行分类。

2.根据权利要求1所述的图像分类方法，其特征在于，所述基于自适应近邻学习的多视图特征选择学习，从所述多视图特征集中选择多视图特征子集的步骤包括：

对所述多视图特征集进行自适应近邻学习的多视图特征选择学习；以及

根据自适应近邻学习的多视图特征选择学习获得的解析解，得到所述多视图特征子集。

3.根据权利要求2所述的图像分类方法，其特征在于，所述对所述多视图特征集进行自适应近邻学习的多视图特征选择学习的步骤包括：

构建自适应近邻学习的多视图特征选择学习目标模型，所述目标模型包括所述多视图特征集的回归系数和近邻概率；

优化所述回归系数并且更新所述近邻概率；以及

基于回归系数矩阵的l_2,1范数对回归系数矩阵产生的行稀疏作用，得到所述自适应近邻学习的多视图特征选择学习的目标模型的解析解。

4.根据权利要求3所述的图像分类方法，其特征在于，仅在相同类别标号的样本间计算样本近邻概率，不同类别标号的样本近邻概率固定设置为0。

5.根据权利要求4所述的图像分类方法，其特征在于，一个样本的所有视图特征间共享所述样本的样本近邻概率。

6.根据权利要求5所述的图像分类方法，其特征在于，所述对所述多视图特征集进行自适应近邻学习的多视图特征选择学习之前还包括：对所述训练样本进行自适应近邻学习；以及

将自适应近邻学习嵌入到多视图特征选择学习中。

7.根据权利要求6所述的图像分类方法，其特征在于，所述对所述训练样本进行自适应近邻学习的步骤包括：

构建自适应近邻学习的目标模型，所述目标模型包括当训练样本距离信息已知时的样本近邻概率和当训练样本距离信息未知时的样本近邻概率的先验；以及

根据自适应近邻学习获得的解析解，得到训练样本间的所述近邻概率。

8.根据权利要求7所述的图像分类方法，其特征在于，所述自适应近邻学习的学习策略包括以下至少之一的学习策略：k近邻策略和扩散策略。

9.根据权利要求1所述的图像分类方法，其特征在于，所述利用所述多视图特征子集，构建多核学习支持向量机分类器的步骤包括：

获得支持向量机的核化目标模型；

计算所述多视图特征子集的多个核矩阵；

对多个核矩阵进行线性组合，得到融合后的核矩阵；

将融合后的核矩阵嵌入所述支持向量机的核化目标模型，得到多核学习支持向量机分类器的决策函数。

10.根据权利要求9所述的图像分类方法，其特征在于，使用网格搜索方法通过对训练样本进行十折交叉验证找到融合核矩阵的权重的最优值。

11.根据权利要求10所述的图像分类方法，其特征在于，所述采用所述多核学习支持向量机分类器对图像进行分类的具体步骤包括：

获取未知样本；

计算所述未知样本的相应视图特征上的核矩阵，然后通过所述决策函数对其进行图像分类。

12.根据权利要求11所述的图像分类方法，其特征在于，所述图像分类方法的步骤还包括：采集原始图像数据集，对原始图像数据集进行预处理得到训练样本。