基于中层卷积神经网络多维度特征的场景识别方法技术

本发明专利技术涉及一种基于中层卷积神经网络多维度特征的场景识别方法，属于人工智能领域。本发明专利技术利用滑动窗口策略提取图像块；提取图像块HOG特征，对图像块聚类，并训练SVM分类器；利用分类器在训练集中检测与聚类中图像块相似的图像块，并将图像块作为候选的具有区分度的中层图像块；提取中层图像块CNN全连接层特征和整幅图像的CNN全连接层特征，对两种特征进行叠加；利用SVM分类器对特征进行分类。本专利融合中层语义部件信息与全局CNN特征，对图像有更加全面的特征表达，提高场景识别准确率。提高场景识别准确率。提高场景识别准确率。

【技术实现步骤摘要】
基于中层卷积神经网络多维度特征的场景识别方法


[0001]本专利技术属于人工智能领域，具体涉及一种基于中层卷积神经网络多维度特征的场景识别方法。

技术介绍

[0002]场景识别是计算机视觉领域的一个热门研究问题，是指利用计算机对场景图像进行分析处理，以识别各种不同的场景属性。场景识别被广泛应用到了多个领域，包括机器人定位、导航，地图构建等。大多数的场景识别的方法基于局部特征的出现，如尺度不变特征转换(Scale Invariant Feature Transform，SIFT)、梯度方向直方图(Histogram of Oriented Gridients，HOG)特征，以及它们的聚合表达，如特征包等。然而，SIFT等底层特征建立在数据统计基础上，能够直接从图像中获取不需要外部知识。并且SIFT、HOG等特征都是图像局部特征且为人工设计的特征，忽视了图像中的隐含信息。因此，能够从训练数据中自动学习特征的深度卷积神经网络(Convolutional Neural Networks，CNN)获得了大量关注。深度卷积神经网络提取的特征模拟人类视觉系统本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于中层卷积神经网络多维度特征的场景识别方法，其特征在于，该方法包括如下步骤：S1.利用滑动窗口策略提取图像块；S2.提取图像块HOG特征，对图像块聚类，并训练SVM分类器；S3.利用分类器在训练集中检测与聚类中图像块相似的图像块，并将图像块作为候选的具有区分度的中层图像块；S4.提取中层图像块CNN全连接层特征和整幅图像的CNN全连接层特征，对两种特征进行叠加；S5.利用SVM分类器对特征进行分类。2.如权利要求1所述的基于中层卷积神经网络多维度特征的场景识别方法，其特征在于，所述步骤S1之前还包括：假设数据集中包含了多类场景，将每一类场景的训练集分为两部分，D1和D2。3.如权利要求2所述的基于中层卷积神经网络多维度特征的场景识别方法，其特征在于，所述步骤S2中提取图像块HOG特征具体包括：利用滑动窗口对某一类场景的D1随机采样得到图像块，对图像块提取梯度直方图特征。4.如权利要求3所述的基于中层卷积神经网络多维度特征的场景识别方法，其特征在于，所述步骤S2中对图像块聚类具体包括：利用K
‑
means对图像块进行聚类。5.如权利要求3所述的基于中层卷积神经网络多维度特征的场景识别方法，其特征在于，所述对图像块提取梯度直方图特征具体包括如下步骤：首先，灰度化图像；然后分割图像，划分成若干个均匀的元胞cell，计算每一个元胞中各个像素的梯度，统计元胞内所有像素的梯度方向直方图；把元胞cell组合成一个块(block)，统计该块中的所有直方图，得到该块的特征描述子；最后把图像中所有块的描述子联合，获取整幅图像的HOG特征描述子。6.如权利要求5所述的基于中层卷积神经网络多维度特征的场景识别方法，其特征在于，所述灰度化图像具体包括：对于彩色RGB图像，首先将其转化为灰度图像：Gray＝0.3
×
R+0.59
×
G+0.11
×
B。7.如权利要求6所述的基于中层卷积神经网络多维度特征的场景识别方法，其特征在于，所述计算每一个元胞中各个...

【专利技术属性】
技术研发人员：杨飞，邹琴，邓雪，丁晓东，平笑柔，
申请(专利权)人：北京计算机技术及应用研究所，
类型：发明
国别省市：