基于Fisher判别字典学习的仓库货品识别方法技术

本发明专利技术涉及了一种基于Fisher判别字典学习的仓库货品识别方法。首先将不同条件下采集到的仓库货品图像分为两部分：训练样本集和测试样本集。对这两种样本集分别进行预处理，然后重排像素值并经过PCA降维。训练样本集通过Fisher准则方法学习得到一个判别的字典，使用判别字典的线性加权表示一个测试样本。采用最小二乘法求解L2范数最小化问题，得到测试样本在该判别字典下的稀疏表示矩阵。最后由各类别的重构误差和稀疏编码系数构成的e

Warehouse product identification method based on Fisher discriminant dictionary learning

The invention relates to a warehouse product identification method based on Fisher discrimination dictionary learning. First of all, the warehouse goods images collected under different conditions are divided into two parts: training samples and test samples. The two samples are processed separately, then the pixel values are rearranged and the dimension is reduced by PCA. The training sample set learns a discriminant dictionary through the Fisher criterion method, and uses a linear weighting of the discriminant dictionary to represent a test sample. The least squares method is used to solve the L2 norm minimization problem, and the sparse representation matrix of the test sample under the discriminative dictionary is obtained. Finally, the e consists of each class of reconstruction error and sparse coding coefficients

【技术实现步骤摘要】
基于Fisher判别字典学习的仓库货品识别方法
本专利技术属于仓库货品识别
，尤其涉及一种基于Fisher判别字典学习的仓库货品识别方法。
技术介绍
仓库是物资集中储存的场所，包括国家、集体或个体经营储存物品的各类仓库、堆栈、货场等。日常工作的重要内容是为物流与供应链系统服务，所以对仓库货品的管理有很高的要求。目前，很多仓库管理工作采用人工的方式，要付出大量人力填写各种表格、凭证、账册、卡片和文件。由于信息是随着时间不断变化的，所以仓库数据要按照不同的分类经常不断地汇总、统计，往往要做许多重复登记和转抄。这种手工操作的管理方式不仅浪费人力，而且存在着处理速度慢、易出现错误、不便于查询及缺乏综合性等缺点，大大降低了信息的利用价值，很难适应现代仓库管理工作的需要。随着企业现代化生产的不断扩大，仓库的规模化也得到了快速发展，货品的准确快速分类识别越来越受重视，同时也是实现智能化仓库的前提和基础。传统的识别方法遵循先提取特征、后输入分类器模式的一般研究规律。即先采用SIFT、SURT以及纹理或颜色等进行特征提取，然后采用人工神经网络、支持向量机等人工智能方法进行分类识别。此类识别方法具有各自的特点和应用局限性，并且受选取的特征影响很大，增加了识别的复杂性。随着压缩感知理论的提出，采用稀疏表示来解决识别问题成为了热点。在过去的几年里，稀疏信号表示已广泛应用于数字信号处理领域，例如：压缩感知和图像恢复。Wright等率先将稀疏表示方法引入到人脸识别中，提出了基于稀疏表示的人脸识别方法(sparserepresentationbasedclassification,SRC)。SRC直接用训练样本构造字典矩阵，通过L1范数最小化计算待测试样本的稀疏表示系数，最后根据各类别对应的稀疏系数计算重构误差，得到分类结果。在稀疏表示中，构造好的字典起着重要的作用。构建稀疏编码字典的方法一般有两种，分别是标准的数据模型法和数据驱动法。在数据模型法中，选择的标准字典原子通常不能足够有效地表示信号，而利用数据驱动方法学习的字典却能更准确地代表信号。但是直接用训练样本构造字典矩阵是数据冗余的，如果训练样本数太多，大量的计算也会成为棘手的问题。因此，在训练样本中学习得到一个更简洁或鲁棒的字典，不仅能够实现正确地分类，而且具有更好的数据独立性。
技术实现思路
本专利技术旨在解决上述问题，将Fisher准则的结构化字典学习方法引入到仓库货品识别领域，在判别字典的学习过程中，通过利用每一个字典对应一个类别标签类来减少同类别训练样本对应的重构误差，同时综合考虑稀疏编码系数类内、类间误差，以使类内误差最小、类间误差最大。最后由重构误差和稀疏编码系数实现对仓库货品的分类识别。仓库货品识别的基本问题是在给定C种不同类别的训练样本的条件下，对于一个新的测试样本正确地识别其所属类别。SRC对训练样本降维后按列直接构造字典矩阵，丢失大量分类信息。并且由于存在干扰信息，该字典并不能有效表示测试样本。为了使得字典即具有较好的重构能力，又具有很好的判别能力，本文提出一种基于Fisher判别字典学习的仓库货品识别的方法，从训练样本集中求得具有更好表现能力和分类能力的字典矩阵。具体而言，本专利技术提供的一种基于Fisher判别字典学习的仓库货品识别方法包括以下步骤：步骤1：首先采集不同条件下的仓库货品图像，将采集到的图像分为两部分：训练样本集和测试样本集。并对这两种样本集分别进行图像预处理操作，然后重排像素值并经过PCA进行降维；步骤2：将降维预处理好的训练样本集通过Fisher准则方法学习一个判别的字典，将字典学习转化为求如下目标函数的最优解J(D,X)＝argminD,X{r(A,D,X)+λ1‖X‖1+λ2f(X)}，其中，r(A,D,X)是字典的表达能力保真项；‖X‖1为系数的稀疏约束；f(X)表示判别约束项；λ1，λ2为控制目标函数中3项信息比例的常量。具体过程如下：步骤2-1：初始化字典矩阵D，字典的每个基向量为训练样本的PCA特征向量；步骤2-2：固定字典D，目标函数简化为其中Mk、M分别为类别K和全部类别的平均系数矩阵。设ni、n分别为第i类和全部的训练样本数目，当η>1-ni/n时，fi(Xi)严格凸优化于Xi，令η＝1，可通过迭代投影法求出Xi最优解，更新稀疏编码系数X；步骤2-3：固定稀疏编码系数X，更新Di时，Dj(j≠i)固定不变，目标函数简化为上式是一个二次规划问题，使用投影字典对字典学习求解，更新字典D；步骤2-4：当相邻迭代结果误差小于一定阈值，或达到最大迭代次数，输出X和D，否则返回步骤2-2；步骤3：将降维预处理好的测试样本通过判别字典得出稀疏编码系数，然后同时使用重构误差和稀疏编码系数进行分类，从而测评子字典是否能够很好地重构测试样本，得出分类结果。针对传统识别方法的应用局限性、受选取的特征影响大，识别的复杂性以及SRC在字典构造过程中丢失大量分类信息，不利于更好的实现分类识别等问题。本文提出了一种基于Fisher判别字典学习的仓库货品识别方法。判别字典的学习综合考虑了两方面因素，一是字典原子和类别标签相对应，使同类的重构误差最小；另一方面使得稀疏编码系数的类内误差最小、类间误差最大。在分类时，重构误差和稀疏编码系数判别信息共同用于分类识别。同时，所用字典的维度和字典原子个数可以较少，数据量减少、更简单快速。并且该方法获得了更高的准确率，同时提高识别速度，对抗噪声干扰有较好的鲁棒性。附图说明为了更清楚地说明本专利技术中的技术方案，下面将对现有技术描述中所需要使用的附图作简单地介绍，显而易见，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术基于Fisher判别字典学习的仓库货品识别流程图。图2为本专利技术基于Fisher判别字典学习的仓库货品识别方法与SRC、SVM在不同维度下的识别率对比图。图3为本专利技术基于Fisher判别字典学习的PLC仓库货品识别结果图。图4为本专利技术基于Fisher判别字典学习的仓库货品识别结果图。具体实施方式为了进一步说明本专利技术的技术方案，下面结合附图和实施例对本专利技术进行详细的说明，但该实施例不应理解为对本专利技术的限制。参见图1，本专利技术所描述的一种基于Fisher判别字典学习的仓库货品识别方法。首先将不同条件下采集到的仓库货品图像分为两部分：训练样本集和测试样本集。对两种样本集分别进行预处理，然后重排像素值并经过PCA降维。训练样本集通过Fisher准则方法学习得到一个判别的字典，使用判别字典的线性加权表示一个测试样本。利用L2范数最小化计算训练样本的稀疏编码系数。最后由各类别的重构误差和稀疏编码系数构成的ei来求得分类结果。具体包括以下步骤：步骤1：首先采集20种货品在不同光照条件下的400幅图像，货品的种类包括电机、PLC、继电器、截止阀、直流电源和变频器等。其中，每一类货品采集20张。将采集到的图像分为训练样本集和测试样本集。通过摄像机采集到的图像为RGB彩色图像，由于存储彩色图像会占用大量的内存资源，并且货品的彩色图像特征并不能作为货品分类的依据。为了提高处理效率，将彩色图像转换为灰度图像，并且也滤除了本文档来自技高网...

【技术保护点】
一种基于Fisher判别字典学习的仓库货品识别方法。其特征在于：Fisher判别字典的学习综合考虑了两方面因素，一是字典原子和类别标签相对应，使同类的重构误差最小；另一方面使得稀疏编码系数的类内误差最小、类间误差最大。在分类时，重构误差和稀疏编码系数判别信息共同用于分类识别。同时，所用字典的维度和字典原子个数可以较少，数据量减少、更简单快速。并且该方法获得了更高的准确率，同时提高了识别速度，对抗噪声干扰有较好的鲁棒性。

【技术特征摘要】
1.一种基于Fisher判别字典学习的仓库货品识别方法。其特征在于：Fisher判别字典的学习综合考虑了两方面因素，一是字典原子和类别标签相对应，使同类的重构误差最小；另一方面使得稀疏编码系数的类内误差最小、类间误差最大。在分类时，重构误差和稀疏编码系数判别信息共同用于分类识别。同时，所用字典的维度和字典原子个数可以较少，数据量减少、更简单快速。并且该方法获得了更高的准确率，同时提高了识别速度，对抗噪声干扰有较好的鲁棒性。2.根据权利要求1所述的基于Fisher判别字典学习的仓库货品识别方法，其特征在于：主要包括如下步骤：步骤1：采集不同条件下的仓库货品图像，将采集到的图像分为两部分：训练样本集和测试样本集。并对这两种样本集分别进行图像预处理操作，然后重排像素值并经过PCA进行降维；步骤2：将降维预处理好的训练样本集通过Fisher准则方法学习一个判别的字典，将字典学习转化为求如下目标函数的最优解J(D,X)＝argminD,X{r(A,D,X)+λ1‖X‖1+λ2f(X)}，其中，r(A,D,X)是字典的表达能力保真项；‖X‖1为系数的稀疏约束；f(X)表示判别约束项；λ1，λ2为控制目标函数中3项信息比例的常量。具体过程如下：步骤2-1：初始化字典矩阵D，字典的每个基向量为训练样本的PCA特征向量；步骤2-2：固定字典D，目标函数简化为其中Mk、M分别为类别K和全部类别的平均系数矩阵，通过迭代投影法求出Xi最优解，更新稀疏编码系数X；步骤2-3：固定稀疏编码系数X，更新Di时，Dj(j≠i)固定不变，目标函数简化为使用投影字典对字典学习求解，更新字典D；步骤2-4：当相邻迭代结果误差小于一定阈值，或达到最大迭代次数，输出X和D，否则返回步骤2-2；步骤3：将降维预处理好的测试样本通过判别字典得出稀疏编码系数，然后同时使用重构误差和稀疏编码系数进行分类，得出分类结果。3.根据权利要求2所述的基于Fisher判别字典学习的仓库货品识别方法，其特征...

【专利技术属性】
技术研发人员：刘毅敏，苗姣姣，梁柏华，
申请(专利权)人：武汉科技大学，
类型：发明
国别省市：湖北,42