[发明专利]一种基于超图的高阶特征融合方法

说明书

本发明公开了一种基于超图的高阶特征融合方法，包括以下步骤：1)获取多视觉通道特征{X₁，X₂…X_m}；2)计算多通道特征之间的高阶相关性；3)将多通道特征之间的高阶相关性通过超图的形式进行表示，得特征关系超图{κ₁，…，κ_K}；4)利用特征关系超图{κ₁，…，κ_K}，将整个多通道特征分类为K个聚类，并对各特征聚类计算相应的图像核，得K个图像核，然后将K个图像核组合成最终的图像核，再利用最终的图像核对核SVM分类器进行训练，然后利用训练后的核SVM分类器进行图像的分类，该方法能够将多通道特征较好的融合到鉴别图像表示中，继而提高图像分类的性能。

技术领域

本发明涉及一种高阶特征融合方法，具体涉及一种基于超图的高阶特征融合方法。

背景技术

人类视觉感知自然是多通道的，即在人类视觉认知过程中，多个视觉特征无缝地、协同地结合在一起。例如，很难仅通过颜色来区分不同类型的水果，因为许多水果如香蕉和梨具有相似的颜色，如图1所示。以这种方式，有必要获得额外的特征，例如纹理和轮廓，以对上述水果进行分类。在实践中，许多信息处理系统智能地将多通道视觉/听觉特征结合成一个鉴别特征，并将其用于图像分类。受这个例子的启发，已经提出了十几个多模态特征融合算法，旨在最佳地利用不同特征通道之间的互相关性。基于成功融合的特征，图像分类性能可以得到显著提高。这是因为与传统的单通道特征表示相比，多通道视觉特征包含更丰富的线索。

在机器学习和计算机视觉领域，已经提出了一系列多通道特征融合技术。值得强调的是，由于以下问题，以前的特征融合算法不能令人满意地利用多通道视觉特征。

(1)据我们所知，传统的多通道特征融合技术一致地描述了特征之间的二元关系，而忽略了特征之间潜在的高阶相关性。然而，在实践中，多个特征之间的内在相关性应该被建模，例如，颜色、纹理和轮廓之间的相关性对于在水果分类期间被利用是有价值的。然而，实现这样的任务是一个真正的挑战。潜在的困难包括:1)如何提出一个度量标准，以最佳方式衡量两个以上变量之间的相关性；2)如何设计一个描述性的数据结构，能够很好地表示任意多个特征通道之间的特征高阶相关性。

(2)众所周知，多渠道视觉特征分布在潜在空间中。在这样的潜在空间中挖掘多模态特征之间的关系具有重要意义。一般来说，我们应该很好地量化大量多通道视觉特征之间的高阶相关性，在此基础上我们可以将这些不同的特征分类成几个语义聚类，以便更好地进行特征分类。然而，由于特征之间复杂的高阶相关性，可能很难最优地执行这样的特征聚类任务。

(3)传统的特征融合算法通常手动为每个特征通道分配权重。每个权重代表多模态特征融合过程中每个通道特征的重要性。这种手动分配的特征加权方案很简单，但是严重依赖于系统设计者的领域经验。在现实世界的智能系统中，我们期望一个智能系统能够自动预测每个特征通道的权重。然而，设计这样一个系统仍然是一个艰巨的挑战。此外，如何优化连接不同渠道的分类结果仍然是一个悬而未决的问题。

总之，在现代计算机视觉系统中，有效地识别大规模的真实图像正成为一项具有挑战性但又不可或缺的任务。实际上，来自多个通道的视觉特征共同决定了每个图像的视觉内容，如何将这些多通道特征最佳地融合到鉴别图像表示中仍然是困难的。

发明内容

本发明的目的在于克服上述现有技术的缺点，提供了一种基于超图的高阶特征融合方法，该方法能够将多通道特征较好的融合到鉴别图像表示中，继而提高图像分类的性能。

为达到上述目的，本发明所述的基于超图的高阶特征融合方法包括以下步骤：

1)获取多视觉通道特征{X₁,X₂…X_m}；

2)计算多通道特征之间的高阶相关性；