[发明专利]基于主成分分析的卷积神经网络特征提取方法

摘要

本发明公开了一种基于主成分分析的卷积神经网络特征提取方法，该方法首先选取了在Imagenet数据集上已经训练好的卷积神经网络，将该网络作为图像的特征提取器，然后从该卷积神经网络的每个池化层的输出中提取特征映射图，最后将提取的每层所有特征映射图做为图像的深度特征，利用了主成分分析，对其进行了降维，并利用双线性插值法，将最后的结果特征映射图重置到原图像大小，得到了高效的图像深度特征。本发明得到的深度特征，含有图像丰富的语义信息，且特征维度低，数据量小，可用于图像的各种识别和分类任务。

主权项

1.一种基于主成分分析的卷积神经网络特征提取方法，其特征在于经过卷积神经网络，从图像中提取高效精炼的深度特征，包括如下步骤：(1)选取卷积神经网络类型，在Imagenet数据集上进行图像分类训练或者选择已经训练好的卷积神经网络模型，去掉该卷积神经网络的全连接层与softmax层；(2)选取要提取特征的图像，根据选取的卷积神经网络，将图像按照对应卷积神经网络要求进行归一化处理，并将其大小调整至网络所要求的输入大小，输入卷积神经网络进行前向运算；(3)图像经过卷积神经网络前向运算后，提取网络中所有池化层的输出，作为深度特征映射图；(4)将每个池化层中提取出来的深度特征映射图叠加，其中每个像素得到一个高维特征向量，维数就是该池化层中提取的深度特征映射图的个数，对所有这些特征向量，利用主成分分析进行降维，将降维得到的所有特征映射图进行双线性插值，重置到原输入图像大小，得到降维后的深度特征；主成分分析对深度特征降维处理过程如下：a、设某一池化层中得到的所有输出特征映射图集合为I＝{I1,I2,…Im}，其中m为特征映射图的个数，该层特征映射图的大小为a*b；b、将所有特征映射图进行叠加，特征映射图中的每个像素对应一个m维的特征向量，得到a*b＝c个m维的特征向量，特征向量记为Xi,i∈[1,c]，由所有特征向量组成的特征矩阵记为X，X＝{X1,…Xc}；c、对每个特征向量Xi，首先求该特征向量的平均值，对所有特征向量都减去该向量对应的平均值；d、计算所有特征向量的协方差矩阵C：e、计算特征协方差矩阵C的所有特征向量α以及特征值λ，假设有n个：α＝{α1,α2,…αn},λ＝{λ1,λ2,…λn}f、将特征值按照从大到小的顺序排序，选取最大的前k个，然后选择这k个特征值对应的特征向量组成变换矩阵T：其中，{t1…tk}是n个特征值中前k个最大的特征值的序号；g、将原始特征矩阵X与变换矩阵T相乘，得到降维后的特征矩阵P，降维后的特征向量记为XpiP＝T*X＝{Xp1,…,Xpc} 。