[发明专利]基于SRC与MFA相结合的图像分类方法

摘要

本发明公开了一种基于SRC与MFA相结合的图像分类方法，主要解决现有特征提取方法因为仅考虑重构关系或局部判别结构，无法准确描述样本信息导致图片分类结果不理想的问题。其实现步骤是：1.输入训练样本和测试样本，构造同类和不同类样本矩阵，并初始化投影矩阵；2.对训练样本进行投影，分别以同类和不同类样本做字典，求解样本的稀疏表示系数，构造同类和不同类样本的稀疏权重矩阵；3.构造目标函数求解新的投影矩阵；4.对步骤2‑3进行迭代，直至循环次数大于给定初始值，输出最终投影矩阵，对测试样本投影；5.利用稀疏表示分类器对测试样本分类。本发明增强了图像分类的准确性，可用于警务系统中人物身份的判别或影像拍摄中物体的查找。

主权项

1.基于SRC与MFA相结合的图像分类方法，包括如下步骤：(1)将所选图像库中的每一幅图片转化为向量进行存储，并分别抽取图像库中每类图像的一部分构成训练样本集:剩下的图像构成测试样本集X'∈R^d×H，其中R表示实数域，d表示原始空间中样本的维度，C表示训练样本的类别数,N_i表示第i类的训练样本数，i∈1...,C，表示第i类的第j个训练样本,j∈1...,N_i，表示所有训练样本的总数，H表示所有测试样本的总数；(2)定义同类和不同类样本矩阵：令A_s表示与原始空间训练样本同类的样本矩阵，且A_s中不包含自身，即i∈1...,C,j∈1...,N_i；令A_d表示与原始空间训练样本不同类的样本矩阵，即(3)初始化投影矩阵P＝P1∈Rd×m,P1为MATLAB软件随机生成的d×m维矩阵，其中m为低维空间中训练样本的维度，m＜＜d；设初始迭代次数k＝1，根据收敛效果要求，设定最大迭代步数t；(4)将训练样本集X中的每一个训练样本投影到m维空间上，即表示m维空间中第i类的第j个训练样本，T表示矩阵的转置；(5)获得同类样本的稀疏权重矩阵：其中为的同类系数向量，i∈1...,C,j∈1...,N_i；(6)获得不同类样本的稀疏权重矩阵：其中为的不同类系数向量，i∈1...,C,j∈1...,N_i；(7)由第(5)步中求得的同类样本的稀疏权重矩阵S，构建使同类样本之间距离最近的目标函数：J1(P)＝arg minPTXLsXTP其中X为训练样本集，P为投影矩阵，Ls＝Ds‑S，Ds是对角矩阵，Ds的对角线元素是同类样本的稀疏权重矩阵S对应的行元素之和；(8)由第(6)步中求得的不同类样本的稀疏权重矩阵F，构建使不同类样本之间距离最远的目标函数：J2(P)＝arg maxPTXLfXTP其中Lf＝Df‑S，Df是对角阵，Df对角线的元素是不同类样本的稀疏权重矩阵F对应的行元素之和；(9)结合步骤(7)和步骤(8)的结果，得到使同类样本之间距离最近，且不同类样本之间距离最远的目标函数：其中tr为矩阵的迹运算；(10)构建求解步骤(9)中目标函数J(P)中投影矩阵P的广义特征方程：(XLsXT)‑1XLfXTαi＝λiαi其中，λi为矩阵(XLsXT)‑1XLfXT的特征值，αi为λi对应的特征向量；(11)利用广义特征方程依次求解(XLsXT)‑1XLfXT前q个最大特征对应特征向量αi，得到投影矩阵P＝[α1...,αi...,αq],i＝1...,q，其中q＝3m/4；(12)令当前迭代次数k＝k+1，比较k与t的大小，当k≤t时，返回步骤(4)，当k＞t时，输出最终的投影矩阵P'；(13)利用最终的投影矩阵P'对测试样本集X'进行投影，得到新的m维空间测试样本P'TX'；(14)利用SRC稀疏表示分类器对新的m维空间测试样本集P'TX'进行分类识别。