[发明专利]一种基于鲁棒多平面支持向量机的图像识别方法及装置

摘要

本发明公开了一种基于鲁棒多平面支持向量机的图像识别方法及装置，包括将测试图像向鲁棒线性分类器进行投影，获取测试图像对应各个类别的第一投影特征；其中，鲁棒线性分类器中的投影向量为通过对训练样本集中的多个样本图像进行训练，将1‑范数度量应用于多平面支持向量机，紧凑类内散度矩阵与分离类间散度矩阵确定得到；将训练样本集中的样本图像的均值向鲁棒线性分类器进行投影，获取所述训练样本集均值在各个类别的第二投影特征；分别计算各个类别的第一投影特征与对应类别的第二投影特征的距离；将所述距离的最小值所对应的类别确定为所述测试图像的类别。本发明所提供的图像识别方法及装置，有效提升了图像识别的鲁棒性。

主权项

一种基于鲁棒多平面支持向量机的图像识别方法，其特征在于，包括：将测试图像向鲁棒线性分类器进行投影，获取所述测试图像对应各个类别的第一投影特征；其中，所述鲁棒线性分类器中的投影向量为通过对训练样本集中的多个样本图像进行训练，将1‑范数度量应用于多平面支持向量机，紧凑类内散度矩阵与分离类间散度矩阵，确定得到的鲁棒投影最优向量；将训练样本集中的样本图像的均值向所述鲁棒线性分类器进行投影，获取所述训练样本集均值在各个类别的第二投影特征；分别计算各个类别的第一投影特征与对应类别的第二投影特征的距离；将所述距离的最小值所对应的类别确定为所述测试图像的类别；所述鲁棒线性分类器中的投影向量为通过对训练样本集中的多个样本图像进行训练，将1‑范数度量应用于多平面支持向量机，紧凑类内散度矩阵与分离类间散度矩阵，确定得到的鲁棒投影最优向量包括：建立基于1‑范数度量的多平面支持向量机分类器模型；对样本图像进行学习，确定以使类内距离最小且类间距离最大的鲁棒投影最优向量；所述建立基于1‑范数度量的多平面支持向量机分类器模型包括：获取预设的图像数据向量集合X＝[x1,x2,...,xN]∈Rn×N，所述集合包括：有类别标签的训练样本集XL＝[x1,x2,...,xl]∈Rn×l以及无类别标签的测试样本集XU＝[x1,x2,...,xu]∈Rn×u，且满足样本数量l+u＝N；所述训练样本集包括两个类别的样本集，A类样本集以及为B类样本集且满足训练样本数量l1+l2＝l；所述对样本图像进行学习，确定以使类内距离最小且类间距离最大的鲁棒投影最优向量包括：通过迭代优化，对鲁棒投影最优向量w1、w2的值不断更新，使得F(w1)、F(w2)的目标函数值最大；在F(w1)、F(w2)最大化到趋于不变时，对应的w1、w2为鲁棒投影最优向量；其中，w1＝arg maxF(w1)，w1Tw1＝1，w2＝arg maxF(w2)，w2Tw2＝1，n是图像数据样本的维度，N是样本的数量，w1和w2为所需求得的鲁棒投影最优向量w1∈Rn×1，w2∈Rn×1，la、lb分别为两类样本的数量，xi为样本集合中的单个样本，||·||1为1‑范数度量，F(w1)的分母为实现类内距离最小、分子为实现类间距离最大。