The invention discloses an intelligent component analysis method for camera scene images, including: process 1, feature dissociation of image data into AlexNet depth neural network model to obtain preset dimension features; process 2, preset dimension features output from reception process 1, reverse feature elimination; process 3, transmission of reception process 2. Procedure 4. Receiving the last step of data, using the random projection forest, divide all the data, reduce the number of points searched and calculated each time to an acceptable range, then establish a number of random projection trees to form a random projection forest, forest synthesis. The result is the final result. Through the above scheme, under the condition of guaranteeing that the final data size is basically the same level as the existing method, the invention takes into account the accuracy and equivalence of post-comparison and search, which can not be taken into account by PCA principal component analysis or other methods.
【技术实现步骤摘要】
一种摄像头场景图像的成分智能分析方法
本专利技术涉及图像处理领域,具体是一种图像成分的智能分析方法。
技术介绍
图像的成分一般是指兴趣成分,是总大小比原图像大幅缩减但在内容搜索、相似性比对等应用中可等价替换原图像的一种数据组合。鉴于越来越多的行业需要对亿级规模的图片库进行多种类型的大数据分析(比如内容相似性比对以及兴趣内容搜索等),传统的查找方法无论在精度、速度抑或存储开销上都越来越无法满足需求。此外,在许多领域的研究与应用中,往往需要对反映事物的多个变量进行大量的观测,收集大量数据以便进行分析寻找规律。多变量大样本无疑会为研究和应用提供了丰富的信息,但也在一定程度上增加了数据采集的工作量,更重要的是在多数情况下,许多变量之间可能存在相关性,从而增加了问题分析的复杂性,同时对分析带来不便。如果分别对每个指标进行分析,分析往往是孤立的,而不是综合的。盲目减少指标会损失很多信息,容易产生错误的结论。因此需要找到一个合理的方法,在减少需要分析的指标同时,尽量减少原指标包含信息的损失,以达到对所收集数据进行全面分析的目的。由于各变量间存在一定的相关关系,因此有可能用较少的综合指标分别综合存在于各变量中的各类信息。PCA(PrincipalComponentAnalysis,PCA)主成分分析就属于这类降维的方法。PCA主成分分析,是一种统计方法。通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量,转换后的这组变量叫主成分。主成分分析法是一种降维的统计方法,它借助于一个正交变换,将其分量相关的原随机向量转化成其分量不相关的新随机向量,这在代数上表现为将 ...
【技术保护点】
1.一种摄像头场景图像的成分智能分析方法,包括:过程1、将图像数据输入AlexNet深度神经网络模型进行特征解离得到预设维度特征;具体的,AlexNet深度神经网络模型包括依次设置的五个卷积层和三个全连接层,分别记为第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第一全连接层、第二全连接层和第三全连接层,预设维度特征是在第一全连接层得到的预设维度特征;过程2、接收过程1输出的预设维度特征,进行反向特征消除;过程3、接收过程2的输出数据,对其进行矩阵的高相关滤波;过程4、接收上一步数据,利用随机投影森林,对所有的数据进行划分,将每次搜索与计算的点的数目减小到一个可接受的范围,然后建立多个随机投影树构成随机投影森林,将森林的综合结果作为最终的结果。
【技术特征摘要】
1.一种摄像头场景图像的成分智能分析方法,包括:过程1、将图像数据输入AlexNet深度神经网络模型进行特征解离得到预设维度特征;具体的,AlexNet深度神经网络模型包括依次设置的五个卷积层和三个全连接层,分别记为第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第一全连接层、第二全连接层和第三全连接层,预设维度特征是在第一全连接层得到的预设维度特征;过程2、接收过程1输出的预设维度特征,进行反向特征消除;过程3、接收过程2的输出数据,对其进行矩阵的高相关滤波;过程4、接收上一步数据,利用随机投影森林,对所有的数据进行划分,将每次搜索与计算的点的数目减小到一个可接受的范围,然后建立多个随机投影树构成随机投影森林,将森林的综合结果作为最终的结果。2.根据权利要求1所述的摄像头场景图像的成分智能分析方法,其特征在于:所述AlexNet深度神经网络模型中,第一卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层均为3x3卷积核。3.根据权利要求2所述的摄像头场景图像的成分智能分析方法,其特征在于:第一卷积层和第五卷积层中,在3x3卷积核的前面分别增设一个1x1卷积核。4.根据权利要求3所述的摄像头场景图像的成分智能分析方法,其特征在于:第二卷积层、第三卷积层和第四卷积层中,在3x3卷积核的前后都各增设一个1x1卷积核。5.根据权利要求1-4任一所述的摄像头场景图像的成分智能分析方法,其特征在于:预设维度特征是在全连接层第六层得到的4096维特征。6.根据权利要求6所述的摄像头场景图像的成分智能分析方法,其特征在于:第二全连接层输出256维特征。7.根据权利要求1-4任一所述的摄像头场景图像的成分智能分析方法,其特征在于:过程2的反向特征消除中,所有分类算法先用n个特征进行训练;每次降维操作,采用n-1个特征对分类器训练n次,得到新的n个分类器;将新分类器中错分率变化最小的分类器所用的n-1维特征作为降维后的特征集;不断的对该过程进行迭代,即可得到降维后的结果;第k次迭代过程中得到的是n-k维特征分类器;通过选择最大的错误容忍率,即得到在选择分类器上达到指定分类性能最小需要多少个特征;具体包括如下步骤:输入:训练样本集{(xi,vi)}Ni=...
【专利技术属性】
技术研发人员:闫潇宁,
申请(专利权)人:深圳市安软慧视科技有限公司,
类型:发明
国别省市:广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。