[发明专利]一种基于稠密PCANet的鲁棒图像识别方法

权利要求书

1.一种基于稠密PCANet的鲁棒图像识别方法，其特征在于，所述方法包括以下步骤：

步骤1选取J张图像A＝{A₁,…,A_J}作为训练集，对应的类别标签为Y＝{Y₁,…,Y_K}为待识别图像的集合，即测试集，这里，分别表示实数域上的具有C₀∈{1,3}个通道的长宽为m×n的图像；

步骤2初始化参数和输入数据：令这里，用于指示网络所处的阶段，表示网络处于训练阶段，表示网络处于测试阶段；令l＝0，这里，l用于指示输入图像或特征图在网络中的层数，其中，N＝J，令F＝{F₁,…,F_N}表示由各卷积层所生成的特征图的集合，这里，表示空集；

步骤3由构建矩阵

其中，为的均值，表示从的第c个通道中抽取的第b∈{1,2,…,mn}个大小为k×k的特征块，Vec(·)表示将矩阵拉伸为列向量的运算；

步骤4如果表示网络处于测试阶段，跳至步骤7，否则，执行步骤5～步骤6；

步骤5计算的主方向其中，为协方差矩阵的第i′个特征向量，对应的特征值为λ_i′，且

步骤6由V^(l)获取C_l+1个通道相关式滤波器组C_l+1≤k²；

步骤7计算第l+1个卷积层的特征图集X^(l+1)；

步骤8将特征图集X^(l+1)并入F中：

步骤9令l＝l+1，执行上述步骤3～步骤8，直至l＝L，这里L表示预先给定的最大卷积层数；

步骤10对特征图集F进行稠密编码，得到模式图集P：P＝{P_i，β}_{i＝1，...，N；β＝1，...，B}，其中，表示第i个样本的第β∈{1,…,B}个模式图，F_i,表示特征图子集F_i中的第·个特征图，T表示参与单个模式图编码的通道数，τ为用于控制采集特征图时所间隔的步长，1≤τ≤T，USF(·)表示单位阶跃函数，将输入数值通过与0比较进行二值化，即：

步骤11从模式图集P中提取柱状图特征H：H＝[H_i]_i＝1,…,N，其中，H_i＝[H_i,1,…,H_i,B]^T，H_i,β＝Qhist(P_i,β)，Qhist(P_i,β)表示将模式图P_i,β划分为Q块，从每一块中提取柱状图，每个柱状图使用2^T个分组，也就是，统计模式图的编码值在每一特征块的2^T个分组中出现的频率；

步骤12如果则令H^Te＝H，跳至步骤14；否则，令H^Tr＝H，执行下一步；

步骤13令l＝0，其中，N＝K，执行步骤3～步骤11；

步骤14计算度量矩阵M＝[M_i,j]_{i＝1,…,J；j＝1,…,K}，其中，这里，

其中，D表示和的长度，表示中的第d个元素，表示中的第d个元素；

步骤15计算测试集Y中各样本的类别Id＝[Id_i]_i＝1,…,K：

其中，M_i表示度量矩阵M中的第i列向量，minIndx(·)表示M_i中的最小元素的索引。

2.如权利要求1所述的一种基于稠密PCANet的鲁棒图像识别方法，其特征在于，所述步骤7中，按照如下步骤计算第l+1个卷积层的特征图集X^(l+1)：

7.1)将投影到W^(l+1)：

7.2)将中的元素重新组织为特征图集X^(l+1)：其中，且c＝j％C_l+1；这里，表示的第c列的从第a到b行的列向量，a％b表示a对b取余，表示对实数a下取整，mat_m×n(ν)表示将任意列向量重新排列为m×n的矩阵。