买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：南京工业大学

摘要：本发明公开了一种基于结构性解析字典学习的两阶段图像分类方法，该方法属于计算机视觉技术领域。该方法包括：1特征提取：对原始图像数据进行特征提取，构建训练集和测试集；2阶段1：基于训练集采用结构性解析字典学习模型训练解析字典及投影矩阵；3阶段2：基于训练样本的结构化稀疏表示系数，训练支持向量机SVM分类器；4分类测试：在测试集上利用训练好的解析字典和支持向量机，使用多元支持向量机分类算法实现分类功能，得到分类结果。本发明简化了结构性解析字典学习SADL模型，并将分类器学习过程和字典学习过程分离，使用支持向量机代替原本的线性分类器，从而提出了基于结构性解析字典学习两阶段图像分类方法。本发明方法适用于一般情况下的图像分类问题，在人脸识别、场景识别、物体识别上的分类准确率均能超过原算法。

主权项：1.一种基于结构性解析字典学习的两阶段图像分类方法，其特征在于：对原始数据集进行特征提取，构建训练集X和测试集阶段1，建立结构性解析字典学习模型；在训练集上对结构性解析字典学习模型进行优化求解，求得解析字典Ω和投影矩阵Q；阶段2，建立支持向量机学习模型，基于适应于训练集的解析字典Ω和投影矩阵Q，获取训练集的稀疏表示系数ΩX，基于训练集上的结构性稀疏表示系数，训练支持向量机分类器；使用训练得到的解析字典Ω和投影矩阵Q，获取测试集的结构性稀疏表示系数，以此作为测试集，采用适应于训练集的支持向量机SVM分类器对其进行分类；所述的阶段1，建立结构性解析字典学习模型，包括：基于SADL模型提出了新的结构性字典学习模型，使用Frobenius范数替代l1范数正则项，去掉了基于线性分类器的分类误差项约束；具体的模型如下： 式中，是训练集，是解析字典，代表稀疏表示矩阵，代表投影矩阵，代表结构矩阵，ε为结构化约束松弛的容差，λ1和λ2和ρ是正则化参数；投影矩阵Q将稀疏表示矩阵U投影为结构矩阵H上，结构矩阵H是根据训练集的标签预先定义的，用以保证类内表示的一致性，其定义如下所示： 其中，H的第i列向量表示第i个样本关于其所属类别第j类的表示系数，H是由分块对角矩阵组成的方阵，H中每一个对角块均由全1的矩阵组成，第i个样本预先定义的列向量中为1的元素应位于大矩阵H的第j个对角块里，这就意味着H中的每个对角块矩阵表示每个类的子空间，对角块结构是为了使得属于不同类的样本间的映射表示不同；所述的阶段2，建立支持向量机学习模型，基于适应于训练集的解析字典Ω和投影矩阵Q，获取训练集的稀疏表示系数ΩX，基于训练集上的结构性稀疏表示系数，训练支持向量机分类器，包括：使用支持向量机分类器代替SADL中线性分类器，该支持向量机模型使用训练集上稀疏表示系数的投影完成训练，具体模型如下： 其中，QU＝QΩX是训练集上的结构性稀疏表示系数，c表示类别数，n表示样本数，D＝[d1，d2，...，dk，...，dc]和b＝[b1，b2，...，bk，...，bc]分别是支持向量机的超平面和偏差，dk是D中的第k类超平面，bk代表第k类偏差，用于分割训练集上属于第k类的编码系数的投影和不属于第k类的编码系数的投影，θ＞0是支持向量机中的固定参数，是第k类数据的样本标签；是平方铰链损失函数，定义如下： 平方铰链损失函数用于反映分类误差，当时，平方铰链损失函数定义为当时，平方铰链损失函数在阶段1更新完变量U，Q，Ω，Z，ε后，获取训练集上的结构性稀疏表示系数QΩX，关于SVM中D，b的更新视为c类一对多线性SVM分类，用已有的多元支持向量机算法实现对支持向量机参数D，b的更新。

全文数据：

权利要求：

百度查询： 南京工业大学 一种基于结构性解析字典学习的两阶段图像分类方法