一种基于稀疏表示的图像识别方法技术

公开一种基于稀疏表示的图像识别方法，其能够通过自适应地选择训练样本进行多轮训练，学习多个字典，每个字典有针对性地学习其他字典表示精度欠佳的样本，每个字典对应一个有针对性的弱分类器，对多个弱分类器的分类结果进行加权组合，提升传统稀疏表示应用于分类问题的识别精度。该方法包括以下步骤：(1)基于自适应增强字典学习过程学习多个字典及相应的弱分类器，并计算分类器权值系数；(2)基于步骤(1)学习的多个字典计算待分类数据的稀疏表示向量，再利用相应的弱分类器进行分类，加权组合各弱分类器识别结果而得到最终识别结果。

An Image Recognition Method Based on Sparse Representation

An image recognition method based on sparse representation is presented. It can select training samples adaptively for multi-round training, and learn many dictionaries. Each dictionary can learn samples with poor accuracy from other dictionaries. Each dictionary corresponds to a weak classifier, and weights the classification results of multiple weak classifiers to improve the traditional sparse table. Indicates the recognition accuracy applied to classification problems. The method consists of the following steps: (1) learning multiple dictionaries and corresponding weak classifiers based on adaptive enhanced dictionary learning process, and calculating the weight coefficients of the classifier; (2) calculating the sparse representation vectors of the data to be classified based on step (1) learning multiple dictionaries, and then using the corresponding weak classifiers to classify, weighting and combining the recognition results of each weak classifier to obtain the final recognition results.

【技术实现步骤摘要】
一种基于稀疏表示的图像识别方法
本专利技术涉及图像处理的
，尤其涉及一种基于稀疏表示的图像识别方法。
技术介绍
近年来，稀疏表示算法作为图像分类的工具被广泛应用，通过训练学习字典或将训练样本直接作为字典，基于字典对测试数据进行稀疏编码，通过比较样本在类别字典上的重构误差实现分类。为提升字典方法在分类问题上的表现能力，已有方法在传统稀疏表示方法KSVD的基础上进行改进，在目标函数中加入类别信息，从而达到约束字典的目的。例如，DKSVD(DiscriminativeKSVD)中，在KSVD的基础上，引入由样本标签矩阵、分类矩阵和稀疏表示矩阵组成的分类误差项，字典的重构误差项和分类器分类误差项同时优化，达到同时提升线性分类器的能力和字典的表达能力的目的。LC-KSVD(LabelConsistentKSVD)在KSVD的基础上引入标签一致项，定义字典与标签相关矩阵为判别稀疏矩阵，通过稀疏表示矩阵在转换矩阵上的投影与判别稀疏表示矩阵的差值构成标签一致项，使得通过训练得到的字典原子带有类别标签，从而保证了识别精度。同时LC-KSVD在DKSVD的启发下引入分类误差项，使得字典面向分类问题进行优化，进而得到较好的识别效果。以上方法存在的问题如下：基于稀疏表示的图像识别方法通常经过训练学习字典，目前的大部分方法在学习字典的过程中均等地对待每个训练样本。但不同样本复杂程度不同，因此令所有样本对字典训练的贡献相同，一方面可能会带来信息冗余，另一方面导致复杂样本的信息的缺失。
技术实现思路
为克服现有技术的缺陷，本专利技术要解决的技术问题是提供了一种基于稀疏表示的图像识别方法，其能够通过自适应地选择训练样本进行多轮训练，学习多个字典，每个字典有针对性地学习其他字典表示精度欠佳的样本，每个字典对应一个有针对性的弱分类器，对多个弱分类器的分类结果进行加权组合，提升传统稀疏表示应用于分类问题的识别精度。本专利技术的技术方案是：这种基于稀疏表示的图像识别方法，该方法包括以下步骤：(1)基于自适应增强字典学习过程学习多个字典及相应的弱分类器，并计算分类器权值系数；(2)基于步骤(1)学习的多个字典计算待分类数据的稀疏表示向量，再利用相应的弱分类器进行分类，加权组合各弱分类器识别结果而得到最终识别结果。本专利技术基于Adboost原理对传统稀疏表示模型学习字典的过程进行改进，在训练过程中自适应地为训练样本分配权重，从而提升字典的表达能力。与此同时在目标函数中增加分类误差项，联合优化字典和分类器，提升识别精度。附图说明图1示出了根据本专利技术的基于稀疏表示的图像识别方法的步骤(1)的流程图。图2示出了根据本专利技术的基于稀疏表示的图像识别方法的步骤(2)的流程图。图3示出了Amazon10数据库目标函数值和迭代次数的关系曲线。图4示出了根据本专利技术的基于稀疏表示的图像识别方法的整体流程图。具体实施方式如图4所示，这种基于稀疏表示的图像识别方法，该方法包括以下步骤：(1)基于自适应增强字典学习过程学习多个字典及相应的弱分类器，并计算分类器权值系数；(2)基于步骤(1)学习的多个字典计算待分类数据的稀疏表示向量，再利用相应的弱分类器进行分类，加权组合各弱分类器识别结果而得到最终识别结果。本专利技术基于Adboost原理对传统稀疏表示模型学习字典的过程进行改进，在训练过程中自适应地为训练样本分配权重，从而提升字典的表达能力。与此同时在目标函数中增加分类误差项，联合优化字典和分类器，提升识别精度。优选地，所述步骤(1)包括以下分步骤：(1.1)初始化训练样本的权重，初始化第i个样本的权重为1≤i≤N，N为样本数量，训练样本的初始权重记为W1＝(w1,1,…，,w1,i,…,w1,N)；(1.2)字典学习和分类器训练，迭代M轮，得到M个字典、M个分类器及相应的分类器权值系数。优选地，如图1所示，所述步骤(1.2)包括以下步骤：a)联合训练字典和分类器第m个字典Dm、第m个分类器Qm和第m个稀疏表示矩阵Am通过公式(1)求出：其中xi∈RS为第i个训练样本，S为样本维度；m为迭代索引，1≤m≤M；Dm∈RS×K表示第m个字典，K为字典原子数量；Qm∈RC×K表示第m个分类器，C为类别数；hi∈RC为第i个样本的标签向量；wm,i为第m轮迭代第i个样本的权重；αm,i∈RK为第m轮迭代第i个样本的稀疏表示向量，训练集的稀疏表示矩阵记为Am＝(αm,1,…，,αm,i,…,αm,N)∈RK×N；θ为稀疏约束参数；公式(1)简化变形得到公式(3)公式(3)使用KSVD算法进行求解，得到字典Dm和分类器Qm，用OMP算法求解稀疏表示矩阵Am；b)利用分类器计算训练样本的分类结果根据步骤a)得到的分类器Qm和第i个样本的稀疏表示向量αm,i求得样本类别估计向量根据公式(4)得到第i个样本的预测结果Pm,ic)计算分类器的分类误差通过公式(5)计算第m个分类器的分类误差d)计算第m个分类器的权值系数使用公式(6)计算第m个分类器的权值系数βme)更新样本权重第m+1次迭代样本的权重为Wm+1＝(wm+1,1,…，,wm+1,i,…,wm+1,N)，其中各分量使用公式(7)计算：重复步骤a)～e)，直到最大迭代次数M。优选地，如图2所示，所述步骤(2)包括以下分步骤：f)利用步骤(1)求得的字典计算待分类数据的稀疏表示y为待分类数据，用OMP算法求解公式(8)得到待分类数据的稀疏表示am，相应于M个字典得到对应的M个稀疏表示；g)利用第m个弱分类器进行分类，得到预测结果Pm，通过公式(9)利用步骤(1)求得的分类器权值系数对弱分类器的预测结果进行组合：通过公式(10)获得最终分类结果P以下更详细地说明本专利技术。1、自适应增强字典学习1)初始化训练样本的权重。初始化第i个样本的权重为1≤i≤N，N为样本数量，训练样本的初始权重记为W1＝(w1,1,…，,w1,i,…,w1,N)。2)字典学习和分类器训练迭代M轮，得到M个字典、M个分类器及相应的分类器权值系数：b)联合训练字典和分类器第m个字典Dm、第m个分类器Qm和第m个稀疏表示矩阵Am可以通过式(1)求出：其中xi∈RS为第i个训练样本，S为样本维度；m为迭代索引，1≤m≤M；Dm∈RS×K表示第m个字典，K为字典原子数量；Qm∈RC×K表示第m个分类器，C为类别数；hi∈RC为第i个样本的标签向量；wm,i为第m轮迭代第i个样本的权重；αm,i∈RK为第m轮迭代第i个样本的稀疏表示向量，训练集的稀疏表示矩阵记为Am＝(αm,1,…,αm,i,…,αm,N)∈RK×N；θ为稀疏约束参数。(1)式可以简化写成(2)式：对(2)式利用矩阵运算法则可以变形得到(3)式式(3)可以使用KSVD算法进行求解，得到字典Dm和分类器Qm，用OMP算法求解稀疏表示矩阵Am。b)利用分类器计算训练样本的分类结果根据步骤a)得到的分类器Qm和第i个样本的稀疏表示向量αm,i求得样本类别估计向量根据式(4)可以得到第i个样本的预测结果Pm,i。c)计算分类器的分类误差通过(5)式计算第m个分类器的分类误差。d)计算第m个分类器的权值系数使用式(6)计算第m个分类器的权值系数βm。e)更新样本权重第m+1次迭代样本的权重为Wm+1＝(wm+1,1,本文档来自技高网...

【技术保护点】
1.一种基于稀疏表示的图像识别方法，其特征在于：该方法包括以下步骤：(1)基于自适应增强字典学习过程学习多个字典及相应的弱分类器，并计算分类器权值系数；(2)基于步骤(1)学习的多个字典计算待分类数据的稀疏表示向量，再利用相应的弱分类器进行分类，加权组合各弱分类器识别结果而得到最终识别结果。

【技术特征摘要】
1.一种基于稀疏表示的图像识别方法，其特征在于：该方法包括以下步骤：(1)基于自适应增强字典学习过程学习多个字典及相应的弱分类器，并计算分类器权值系数；(2)基于步骤(1)学习的多个字典计算待分类数据的稀疏表示向量，再利用相应的弱分类器进行分类，加权组合各弱分类器识别结果而得到最终识别结果。2.根据权利要求1所述的基于稀疏表示的图像识别方法，其特征在于：所述步骤(1)包括以下分步骤：(1.1)初始化训练样本的权重，初始化第i个样本的权重为N为样本数量，训练样本的初始权重记为W1＝(w1,1,...,w1,i,...,w1,N)；(1.2)字典学习和分类器训练，迭代M轮，得到M个字典、M个分类器及相应的分类器权值系数。3.根据权利要求2所述的基于稀疏表示的图像识别方法，其特征在于：所述步骤(1.2)包括以下步骤：a)联合训练字典和分类器第m个字典Dm、第m个分类器Qm和第m个稀疏表示矩阵Am通过公式(1)求出：其中xi∈RS为第i个训练样本，S为样本维度；m为迭代索引，1≤m≤M；Dm∈RS×K表示第m个字典，K为字典原子数量；Qm∈RC×K表示第m个分类器，C为类别数；hi∈RC为第i个样本的标签向量；wm,i为第m轮迭代第i个样本的权重；αm,i∈RK为第m轮迭代第i个样本的稀疏表示向量，训练集的稀疏表...

【专利技术属性】
技术研发人员：王立春，李爽，王少帆，孔德慧，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京,11