基于相异性的特征融合识别方法技术

本发明专利技术涉及识别领域，其公开了一种基于相异性的特征融合识别方法，包括如下步骤：（A）设置不同类型的聚类中心；（B）生成基于聚类中心相异性的特征向量；（C）特征融合；（D）特征判断。本发明专利技术的有益效果是：避免了多特征融合中容易出现的特征维过高（近千维）、不同类型的特征维度不一致、计算量较大、需要配置的参数较多等问题；稳定性较高；拓展了现有的基于相异性的特征的识别方法的应用模型，使其不必须嵌套在区域匹配模型中，丰富了相异性特征的应用。

【技术实现步骤摘要】

本专利技术涉及识别领域，尤其涉及一种基于相异性的特征融合识别方法。
技术介绍
当前，融合分为前期融合和后期融合，前期融合为同时提取图像的多个特征，并将这些进行拼接，由此拼接特征生成的聚类中心词即为多特征的组合，进而生成的直方图也是以该组合特征为柄的向量，再对此得到的直方图向量进行训练和预测；后期融合为每次提取图像的一个特征，并生成该特征对应的直方图，再使用不同的核函数并匹配不同的系数将不同特征的核函数连接起来，以进行分类和预测。而基于相异性的特征提取中，Pekalska和Duin提出了可以减少特征冗余的基于相异性的特征，即将所获得的特征与其聚类中心之间的差值作为特征，可以大幅缩小特征的维度，2012年，R.Satta等人将这种方法用于多部分的行人重新识别定位中。但是，现有的特征融合技术会构造出庞大的高维特征向量、或者构造出由多个待拟合参数的核函数连接向量，因此，常常会面临特征维过高(近千维)、特征维度不一致、计算量较大、需要配置的参数较多等问题；另外，后期融合中采用的多核融合方法常常需要选择每个特征的核函数，并需要设置选取的核函数的参数和相互之间的连接权重，从而容易造成由人工选取核类别及其参数而造成的不稳定；现有的基于相异性的特征提取中，其聚类中心常常受到所选取样本的影响，不稳定，且没有有效的体现如具体颜色和纹理等的直观特征，因此无法从特征中提取其具体颜色或纹理属性，需要再进行样本学习获得具体的颜色和纹理信息，从而造成一定的计算冗余；现有的基于相异性的特征的识别方法嵌套在区域匹配模型中，是通过分别求取待识别的两幅图像各区域的相异性特征的距离，以判断是否被判断目标是否接近，应用较为单一，没有充分利用相异性特征的应用范围。
技术实现思路
为了解决现有技术中的问题，本专利技术提供了一种基于相异性的特征融合识别方法，解决现有技术中服装识别方法在特征数量、特征信息和运算速度之间的矛盾的问题。本专利技术是通过以下技术方案实现的：设计、制造了一种基于相异性的特征融合识别方法，包括如下步骤：(A)设置不同类型的聚类中心；(B)生成基于聚类中心相异性的特征向量；(C)特征融合；(D)特征判断。作为本专利技术的进一步改进：所述步骤(A)中，将图像分成不同的小块，根据每个小块的尺寸，设置模板颜色、模板纹理以及模板形状作为聚类中心，分别计算每个子区域到聚类中心的距离作为特征并得到相异性特征。作为本专利技术的进一步改进：所述步骤(B)中：将图像分成不同的小块，对每个小块，根据每个小块的尺寸，每一个小块的颜色、纹理以及形状特征与对应的模板颜色、模板纹理、模板形状特征之间的距离作为其特征向量；将所有小块的距离特征向量连接进而得到图像整体的相异性特征向量。作为本专利技术的进一步改进：所述步骤(C)中，进行多特征的前期融合和后期融合，前期融合为将不同类型的特征连接起来，组合而成的特征向量整体进行后续的训练和分类；后期融合为使用合适的核函数将不同的特征进行后续融合，再进行后续的训练和分类。作为本专利技术的进一步改进：所述步骤(D)中，根据距离最近的聚类中心来获得该小块乃至整个图像区域对应的不同特征，进而获得聚类中心，该聚类中心不受所选取的样品影响。作为本专利技术的进一步改进：所述步骤(D)中，在融合过程中，不同类型特征的维度均为距离值且仅由对应特征的聚类中心数目决定。作为本专利技术的进一步改进：不同的特征选择相同的核函数进行融合。本专利技术的有益效果是：避免了多特征融合中容易出现的特征维过高(近千维)、不同类型的特征维度不一致、计算量较大、需要配置的参数较多等问题；稳定性较高；拓展了现有的基于相异性的特征的识别方法的应用模型，使其不必须嵌套在区域匹配模型中，丰富了相异性特征的应用。【附图说明】图1为本专利技术总体示意图；图2为本专利技术流程示意图。【具体实施方式】下面结合附图说明及具体实施方式对本专利技术进一步说明。一种基于相异性的特征融合识别方法，包括如下步骤：(A)设置不同类型的聚类中心；(B)生成基于聚类中心相异性的特征向量；(C)特征融合；(D)特征判断。所述步骤(A)中，将图像分成不同的小块，根据每个小块的尺寸，设置模板颜色、模板纹理以及模板形状作为聚类中心，分别计算每个子区域到聚类中心的距离作为特征并得到相异性特征。通过设置已知的模板颜色、模板纹理和模板形状作为聚类中心，并分别计算每个子区域到这些聚类中心的距离作为特征，即可得到相异性特征，由于相异性特征的维度取决于聚类中心的数目，因此，其维度可控且远小于特征的直接组合，从而避免了特征维过高、计算量大的问题。所述步骤(B)中：将图像分成不同的小块，对每个小块，根据每个小块的尺寸，每一个小块的颜色、纹理以及形状特征与对应的模板颜色、模板纹理、模板形状特征之间的距离作为其特征向量；将所有小块的距离特征向量连接进而得到图像整体的相异性特征向量。所述步骤(C)中，进行多特征的前期融合和后期融合，前期融合为将不同类型的特征连接起来，组合而成的特征向量整体进行后续的训练和分类；后期融合为使用合适的核函数将不同的特征进行后续融合，再进行后续的训练和分类。融合时：不同类型特征的维度仅由对应特征的聚类中心数目决定，并且均为距离值，因此在多特征的后期融合中可以使用相同的核函数对不同类型的特征进行连接，即不同的特征也可以选择相同的核函数，从而避免了传统的后期多核融合方法需要选择每个特征的核函数，并设置选取的核函数的参数和相互之间的连接权重，而造成的由人工选取核类别及其参数造成的不稳定性。所述步骤(D)中，根据距离最近的聚类中心来获得该小块乃至整个图像区域对应的不同特征，进而获得聚类中心，该聚类中心不受所选取的样品影响。在一实施例中，根据距离最近的聚类中心来获得该小块乃至整个服装区域对应的颜色、纹理、形状特性，得到的聚类中心不受所选取的样本影响，稳定性较高，且可以有效的体现颜色或纹理特征的直观特性，从而减少计算冗余。所述步骤(D)中，在融合过程中，不同类型特征的维度均为距离值且仅由对应特征的聚类中心数目决定。不同的特征选择相同的核函数进行融合。在一实施例中，如图1，多特征进行前期融合时，其连接函数为f1(d(Pic，C1)…d(Pic，CM)，d(Pit，T1)…d(Pit，TN)，d(Pis，S1)…d(Pis，So))，其中，Ci对应颜色，Tj对应纹理，Sk对应形状，另外一连接函数为f2(D(P1，F)，D(P2，F)…D(PZ，F))；在进行多特征的后期融合时，颜色Ci对应连接函数为f1(d(Pic，C1)…(Pic，Cm))，纹理TJ对应连接函数为f1(d(Pit，T1)…d(Pit，TN))，形状Sk对应连接函数为f1(d(Pis，S1)…d(Pis，So))，另外一连接函数分别对应为f2(d(Pi，C)…d(Pz，C))，纹理f2(d(Pi，T)…d(Pz，T))，形状f2(d(Pi，s)…d(Pz，S)),然后统一核函数，从而进行多特征的后期融合。在一种实施例中，如图1以及图2，一种基于相异性的特征融合识别方法，按以下方式完成：步骤1.设置不同的颜色和纹理聚类中心：将服装图像按BoF的方法分为小块Px×y。根据每个小块的尺寸，分别设置M个模板颜色特征向量：红色、绿色、黄色、白色；N个模板纹理特征向量：条纹、格子、本文档来自技高网...

【技术保护点】
一种基于相异性的特征融合识别方法，其特征在于：包括如下步骤：（A）设置不同类型的聚类中心；（B）生成基于聚类中心相异性的特征向量；（C）特征融合；（D）特征判断。

【技术特征摘要】
1.一种基于相异性的特征融合识别方法，其特征在于：包括如下步骤：（A）设置不同类型的聚类中心；（B）生成基于聚类中心相异性的特征向量；（C）特征融合；（D）特征判断。2.根据权利要求1所述的基于相异性的特征融合识别方法，其特征在于：所述步骤（A）中，将图像分成不同的小块，根据每个小块的尺寸，设置模板颜色、模板纹理以及模板形状作为聚类中心，分别计算每个子区域到聚类中心的距离作为特征并得到相异性特征。3.根据权利要求1所述的基于相异性的特征融合识别方法，其特征在于：所述步骤（B）中：将图像分成不同的小块，对每个小块，根据每个小块的尺寸，每一个小块的颜色、纹理以及形状特征与对应的模板颜色、模板纹理、模板形状特征之间的距离作为其特征向量；将所有小块的距离特征向量连接进而得到图像整体的相异性特征向量。4.根据权利要求...

【专利技术属性】
技术研发人员：杨茜，田第鸿，
申请(专利权)人：深圳云天励飞技术有限公司，
类型：发明
国别省市：广东;44