[发明专利]一种基于稀疏编码的车标分类方法

摘要

本发明提供一种基于稀疏编码的车标分类方法，选择使用具有稀疏性的分量来作为分类器输入数据，是因为大多数的感官数据，比如自然图像，可以被表示成少量基本元素的叠加，在图像中这些基本元素可以是面或者线。本发明通过基于稀疏编码寻找出车标图像的最明显的特征，即用较少的几个基就可以将车标图像表示出来，满足车标识别实时性的要求同时也很好的保证了识别的精确度。

主权项

一种基于稀疏编码的车标分类方法，其特征在于，包括以下步骤：1字典构造：1.1样本车标图片构成训练样本集X，对每一幅样本车标图片进行分割，分割得到的小图片集合构成得到基集[φ₁',φ'₂,φ₃',…]；1.2通过重复迭代得到字典[φ₁,φ₂,φ₃,…,φ_k]，k表示字典的总维数：重复迭代交替更新系数和基向量φ_i'使目标函数最小，迭代结束后赋值φ_i＝φ_i'$\underset{a_i^{\left(j\right)},{\mathrm{\φ}}_i}{\min }\underset{j=1}{\overset{m}{\Σ}}\left|\right|x^{\left(j\right)}-\underset{i=1}{\overset{k}{\Σ}}{a}_i^{\left(j\right)}{\mathrm{\φ}}_i|{|}^2+\mathrm{\λ}\underset{i=1}{\overset{k}{\Σ}}S\left(a_i^{\left(j\right)}\right)$其中，$S\left(a_i^{\left(j\right)}\right)={({\left(a_i^{\left(j\right)}\right)}^2+\mathrm{\θ})}^{\frac{1}{2}}Subjectto\left|\right|{\mathrm{\φ}}_i|{|}^2\≤C,\∀i=1,...,k$变量i表示基向量集中对应系数的序号，变量j表示输入幅样本车标图片的序号，m为训练样本集中样本车标图片的总数，x^(j)表示训练样本集中第j幅样本车标图片，表示输入第j幅样本车标图片时第i个基向量对应系数，表示S(·)是一个稀疏代价函数，λ为权重系数，‖·‖表示算子二范数，Subject to表示约束条件，C为二范数的上届，θ为调和参数；2稀疏编码：根据字典[φ₁,φ₂,φ₃,…,φ_k]通过求解$\underset{a^{\left(j\right)}}{\min }\underset{j=1}{\overset{m}{\Σ}}\left|\right|x^{\left(j\right)}-\underset{i=1}{\overset{k}{\Σ}}{a}_i^{\left(j\right)}{\mathrm{\φ}}_i|{|}^2+\mathrm{\λ}\underset{j=1}{\overset{m}{\Σ}}\underset{i=1}{\overset{k}{\Σ}}S\left(a_i^{\left(j\right)}\right),$得到训练样本集X中每一幅车标图片x^(j)的稀疏表达a^(j)；对训练样本集X所有的车标图片进行编码，即构建编码训练集；3SVM分类器训练：将编码训练集以及该训练集中每一个车标图片所对应的车标类输入支持向量机SVM分类器进行训练；4车标识别：提取测试图片的车标区域，提取车标区域的稀疏表达，将车标区域的稀疏表达输入SVM分类器得到分类结果。