[发明专利]一种基于支持向量正则化字典对学习的模式分类方法

说明书

本发明公开了一种基于支持向量正则化字典对学习的模式分类方法，属于计算机视觉技术领域。该方法包括：将训练图像和测试图像映射到低维空间，得到训练集和测试集；基于训练集采用支持向量正则化的字典对学习模型学习综合‑解析字典对和支持向量机分类器；利用训练好的字典对生成测试集编码系数；将测试集编码系数输入到支持向量机分类器中，得到测试集的类别标签，以类别标签作为分类结果。本发明基于字典对学习模型，提出融合支持向量的判别性分类模型并进行优化求解，适用于一般情况下的模式识别和图像分类问题，在人脸识别和场景识别上能达到较高的分类准确度。

技术领域：

本发明属于计算机视觉领域，具体涉及一种基于支持向量正则化字典对学习的模式分类方法。

背景技术：

近年来，稀疏表示和字典学习被广泛应用于图像去噪、图像分类、图像压缩、图像修复、人脸识别和异常行为检测等领域，是机器学习、模式识别和计算机视觉领域中的一大热门问题。

对于图像分类问题，稀疏表示可以被视为特征提取过程：对于每个输入信号编码，得到其对应的稀疏表示系数，再将稀疏表示系数作为分类器的输入，得到分类结果。在这一过程中引入信号的分类误差，能提高分类的准确度。近年来，基于字典学习的模式分类的已有研究大致可以分为三种模型，基于综合模型的分类、基于解析模型的分类和基于综合-解析字典对的分类。其中，解析模型在稀疏编码时比综合模型更高效，基于综合模型的字典学习则取得了较好的分类效果，而综合-解析字典对学习模型则能兼顾两者的优点。

已有的基于字典学习的模式分类方法通常在字典学习中采用标签信息以提升分类效果：一类方法在模型中引入针对稀疏表示系数的分类器，如基于支持向量的字典学习(SVGDL)算法，另一类方法引入结构性字典以增强模型的判别力，如判别式字典对学习(DPL)算法。然而，前者只关注稀疏表示系数的判别性，而忽略了学习字典本身生成判别性系数的能力，在一定程度上影响了分类的准确度；后者关注字典本身的判别性，却忽视了稀疏表示系数的判别性。

针对以上问题，本发明提出一种基于支持向量正则化字典对学习的模式分类方法，将稀疏表示系数的判别性和结构性字典对的判别性融合为一个分类模型，构建字典对学习和分类器联合训练模型。

发明内容：

为了提高分类准确率，提出了一种基于支持向量正则化字典对学习的模式分类方法，在字典对学习框架中同时学习结构性字典对和针对稀疏表示系数的支持向量机分类器，以得到更好的分类结果。

为解决上述技术问题，本发明公开了一种基于支持向量正则化字典对学习的图像分类方法，包括：

步骤1：对训练图像和测试的图像进行特征提取，并构建训练集X和测试集

步骤2：建立基于支持向量正则化字典对学习模型；

步骤3：对模型进行优化求解，将训练集X输入到基于支持向量正则化字典对学习的模型中，得到解析字典P，综合字典D，编码系数A和支持向量机分类器U，b；

步骤4：使用步骤3训练得到的解析字典P对测试集进行编码，得到测试集编码系数

步骤5：将步骤4得到的测试集编码系数输入到步骤3中训练所得的支持向量机分类器中，获得分类结果。

在上述的基于支持向量正则化字典对学习的图像分类方法中，对训练图像和测试的图像进行特征提取，并构建训练集X和测试集包括：

①提取训练图像和测试图像的随机特征，用一个随机矩阵将图像投影到固定维度的向量中，特征维数由随机矩阵决定，并将生成的特征向量进行归一化处理，化为长度为1的单位向量。

②从每一类中选出一定量的数据作为训练集X，剩下的数据作为测试集

在上述的基于支持向量正则化字典对学习的图像分类方法中，基于支持向量正则化字典对学习模型，包括：