基于超图学习的室内场景分类方法技术

基于超图学习的室内场景分类方法，涉及室内场景分类。使用近百个目标检测子从图像中抽取出目标，根据形成的目标描述符组成的超级描述符作为图像的特征描述符；使用K近邻方法对图像描述符构建超图，计算出其拉普拉斯矩阵，构建半监督学习框架；构建一个线性回归模型，并将该线性回归模型加入到半监督学习框架内；依据所构建的半监督学习框架，并结合所提取的图像的特征描述符，对部分图像描述符进行标注，使得该半监督学习框能够自动迭代地预测出未标注图像的标签，从而完成图像分类，同时，线性回归模型在自动迭代过程中被初始化；依据线性回归模型，并结合所提取的图像的特征描述符，可对新加入的数据直接进行图像分类，而无须再次构建超图。

【技术实现步骤摘要】

本专利技术涉及室内场景分类，尤其是涉及一种。
技术介绍
目前，室内场景分类一般采用低层次的特征描述符，主要包括色彩、纹理、形状等信息。这些低层次的特征描述符对室外场景分类有较好的效果，然而由于室内场景复杂的物体种类和重叠，因而在室内场景分类效果上表现一般。随着相关技术的发展，有一些改进的图像特征描述符被引进用来改进图像的分类效果，如金字塔匹配因子([I]S.Lazebnik, C.Schmid, and J.Ponce, “Beyond bags of features: Spatial pyramidmatching for recognizing natural scene categories, ”in Proc.1EEE Int.Conf.Computer Vision and Pattern Recognition, 2006，vol.2，pp.2169 - 2178)、全局描述子([2]C.Siagian and L.1tti, “Rapid biologically-1nspired scene classificationusing features shared with visual attention,，，IEEE Trans.Pattern Anal.Mach.1ntell., vol.29, n0.2, pp.300 - 312, Feb.2007)等等，然而这些改进的图像特征描述由于没有解决室内场景图像的核心问题，并不能大幅度地提高室内场景的分类效果。采用高层次的包含图像语义的特征描述符，由于保存了图像大量的语义，能够识别出室内场景中多种物体，对提高室内场景图像分类效果有着重要作用。在用高层次图像描述符中，早期的研究提出了采用一系列的图像语义属性来描述图像信息，这些描述图像的方法在图像获取以及图像分类领域取得不错的效果。斯坦福大学实验室也提出一个新的做超级描述符([3]L.Li，H.Su，E.Xing and F.Li, “ObjectBank:A High-Level Image Representation for Scene Classification and SemanticFeature Sparsification, ，，Proceedings of the Neural Information ProcessingSystems(NIPS), 2010)来描述图像，这种图像描述符在描述具有复杂物体的类的图像，尤其是室内图像上具有较好的描述效果。然而这些图像分类仍然采用常用的全监督方法来进行分类，不能够综合考虑到所有数据的全局属性信息和局部数据信息之间的关系，所以在图像分类效果上表现非常一般。
技术实现思路
本专利技术的目的在于提供一种。本专利技术包括以下步骤:(I)使用近百个目标检测子从图像中抽取出目标，再根据形成的目标描述符组成的一个超级描述符，作为图像的特征描述符；(2)使用K近邻方法对所有生成的图像描述符构建超图，并基于生成的超图计算出其拉普拉斯矩阵，进而构建半监督学习框架；(3)构建一个线性回归模型，并将该线性回归模型加入到半监督学习框架内；(4)依据步骤(3)中所构建的半监督学习框架，并结合步骤⑴所提取的图像的特征描述符，对部分图像描述符进行标注，使得该半监督学习框能够自动迭代地预测出未标注图像的标签，从而完成图像分类，同时，步骤(3)中的线性回归模型在自动迭代过程中被初始化；(5)依据步骤(3)中的线性回归模型，并结合步骤(1)所提取的图像的特征描述符，可以对新加入的数据直接进行图像分类，而无须再次构建超图。在步骤(2)中，所述构建半监督学习框架的具体方法可为:首先计算出提取的图像的特征描述符两两之间的欧氏距离，并以此得到相关矩阵H:本文档来自技高网...

【技术保护点】
基于超图学习的室内场景分类方法，其特征在于包括以下步骤：(1)使用近百个目标检测子从图像中抽取出目标，再根据形成的目标描述符组成的一个超级描述符，作为图像的特征描述符；(2)使用K近邻方法对所有生成的图像描述符构建超图，并基于生成的超图计算出其拉普拉斯矩阵，进而构建半监督学习框架；(3)构建一个线性回归模型，并将该线性回归模型加入到半监督学习框架内；(4)依据步骤(3)中所构建的半监督学习框架，并结合步骤(1)所提取的图像的特征描述符，对部分图像描述符进行标注，使得该半监督学习框能够自动迭代地预测出未标注图像的标签，从而完成图像分类，同时，步骤(3)中的线性回归模型在自动迭代过程中被初始化；(5)依据步骤(3)中的线性回归模型，并结合步骤(1)所提取的图像的特征描述符，可以对新加入的数据直接进行图像分类，而无须再次构建超图。

【技术特征摘要】
1.基于超图学习的室内场景分类方法，其特征在于包括以下步骤: (1)使用近百个目标检测子从图像中抽取出目标，再根据形成的目标描述符组成的一个超级描述符，作为图像的特征描述符； (2)使用K近邻方法对所有生成的图像描述符构建超图，并基于生成的超图计算出其拉普拉斯矩阵，进而构建半监督学习框架； (3)构建一个线性回归模型,并将该线性回归模型加入到半监督学习框架内； (4)依据步骤(3)中所构建的半监督学习框架，并结合步骤(1)所提取的图像的特征描述符，对部分图像描述符进行标注，使得该半监督学习框能够自动迭代地预测出未标注图像的标签，从而完成图像分类，同时，步骤(3)...

【专利技术属性】
技术研发人员：俞俊，王超杰，
申请(专利权)人：厦门大学，
类型：发明
国别省市：