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 ...
【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
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。