[发明专利]一种基于DOG和LDA算法的图像识别方法及电子设备

说明书

本发明公开了一种基于DOG和LDA算法的图像识别方法，该方法包括：获取样本图像；采用LDA算法对样本图像进行降维处理；采用DOG算法在降维处理后的样本图像上提取图像特征；为DOG检测出的图像特征设置训练集标签，以完成样本图像的预处理。本发明还公开了一种电子设备。通过本发明的方案，能够有效消除图像噪声，提高图像识别结果的准确率。

技术领域

本发明涉及图像识别技术领域，尤其涉及一种基于DOG和LDA算法的图像识别方法及电子设备。

背景技术

在日常生活中，图像识别技术应用的领域越来越广泛，例如，人脸识别、无人驾驶、物体检测、物体分类等领域。图像识别通常是采用摄像头等图像采集装置采集图像，再将采集的图像输入图像识别模型输出识别结果。但是，图像采集装置采集的图像可能受光照、成像角度、成像距离等影响，会降低图像识别结果的准确率。

发明内容

本发明提出了一种基于DOG和LDA算法的图像识别方法、系统及计算机可读存储介质，有效消除图像噪声，提高图像识别结果的准确率。

基于上述目的，本发明实施例的一方面提供了一种基于DOG和LDA算法的图像识别方法，具体包括如下步骤：

获取样本图像；

采用LDA算法对所述样本图像进行降维处理；

采用DOG算法在降维处理后的样本图像上提取图像特征；

为所述DOG检测出的图像特征设置训练集标签，以完成所述样本图像的预处理。

在一些实施方式中，所述采用LDA算法对所述样本图像进行降维处理，包括：

计算所述样本图像的每类样本的均值；

根据所述每类样本的均值，计算类内散度矩阵、类间散度矩阵；

对所述类内散度矩阵和所述类间散度矩阵做特征值分解；

计算最大的d个特征值和对应的d个特征向量；

根据所述最大的d个特征值和对应的d个特征向量，计算投影矩阵；

将所述投影矩阵中每一个样本特征转化为新的样本，得到输出样本集。

在一些实施方式中，所述采用DOG算法在降维处理后的样本图像上提取图像特征，包括：

将所述降维处理后的样本图像在不同标准差下进行高斯滤波计算，得到第一DOG图像、第二DOG图像和第三DOG图像，所述第一DOG图像、第二DOG图像和第三DOG图像依次相邻；

对相邻DOG图像做差值计算，得到第一差值图像和第二差值图像；

根据所述第一差值图像和第二差值图像，得到所述第二DOG图像的最大值和最小值点。

在一些实施方式中，为所述DOG检测出的图像特征设置训练集标签，包括：

在所述样本图像上标记出所提取的DOG检测出的特征点。

本发明实施例的另一方面，还提供了一种用于计算机的远程管理系统，包括：获取单元、处理单元、提取单元以及设置单元，其中：

获取单元配置用于获取样本图像；

处理单元配置用于采用LDA算法对所述样本图像进行降维处理；

提取单元配置用于采用DOG算法在降维处理后的样本图像上提取图像特征；

设置单元配置用于为所述DOG检测出的图像特征设置训练集标签，以完成所述样本图像的预处理。

在一些实施方式中，所述处理单元还配置用于：