【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 ...
【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)...
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。