一种基于改进的推土距离的混合高斯模型匹配方法

摘要

本发明提出了一种适用于图像分类和图像检索的算法系统。该算法主要包括图像建模和图像匹配两个模块。在图像建模中，为了提高特征的描述能力，该算法首次利用深层卷积神经网络提取图像的深度特征，并在此基础上利用混合高斯模型建模表示图像。在图像匹配中，针对推土距离算法的效率以及对噪声敏感两个问题，提出了一种准确高效的改进的推土距离算法，在算法设计过程中加入了高斯噪声并引入了稀疏约束。同时，在设计改进的推土距离算法中，针对现有测地距离度量算法设计的缺陷，本发明在考虑了高斯分布的黎曼几何结构后设计了三种测地距离，用以更准确地度量高斯分布之间的距离。

主权项

一种基于改进的推土距离的混合高斯模型匹配方法，其特征在于以下步骤：步骤1：提取图像的深层卷积神经网络特征；将图像与已训练好的卷积神经网络CNN进行卷积运算，将网络的最后一层卷积层输出作为图像的卷积神经网络特征；步骤2：混合高斯模型建模图像；利用GMM描述图像的深层卷积神经网络特征在特征空间的分布，每幅图像由1个含有多个单高斯分布的GMM模型表示；所述的利用深层卷积神经网络特征建模混合高斯模型，具体过程如下：首先，利用已经训练好的19层的VGGNet提取图像的深层卷积神经网络特征，对于一幅图像的特征，用含有n个单高斯的混合高斯模型G表示；$G=\underset{i=1}{\overset{n}{\Sigma }}{\omega }_i{g}_i=\underset{i=1}{\overset{n}{\Sigma }}{\omega }_{i}N\left(X\right|{\mu }_i,{\Sigma }_i)---\left(1\right)$其中，N(X|μ_i,∑_i)表示权重为ω_i的第i个单高斯，μ_i,∑_i分别表示第i个单高斯的均值向量和协方差矩阵；步骤3：利用改进的推土距离算法计算图像之间的距离，通过步骤2，图像之间的距离转化为了GMM模型之间的距离，利用I‑EMD算法计算GMM之间的距离；在I‑EMD算法计算过程中，利用三种不同测地距离度量两个高斯分布之间的距离；步骤4：计算相似性矩阵；通过第3步，计算所图像之间的距离，构成距离矩阵；步骤5：图像匹配并返回结果；对于图像分类问题，将第4步得到的相似性矩阵送入核化的支持向量机(Kernel SVM)中进行分类；对于图像检索问题，利用步骤4计算得到的距离矩阵，返回与被检索图像距离最小的N幅图片。