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;<maths num="0001"><math><![CDATA[<mrow><mi>G</mi><mo>=</mo><munderover><mo>Σ</mo><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>n</mi></munderover><msub><mi>ω</mi><mi>i</mi></msub><msub><mi>g</mi><mi>i</mi></msub><mo>=</mo><munderover><mo>Σ</mo><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>n</mi></munderover><msub><mi>ω</mi><mi>i</mi></msub><mi>N</mi><mrow><mo>(</mo><mi>X</mi><mo>|</mo><msub><mi>μ</mi><mi>i</mi></msub><mo>,</mo><msub><mi>Σ</mi><mi>i</mi></msub><mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></mrow>]]></math><img file="FDA0001059370370000011.GIF" wi="1261" he="127" /></maths>其中,N(X|μ<sub>i</sub>,∑<sub>i</sub>)表示权重为ω<sub>i</sub>的第i个单高斯,μ<sub>i</sub>,∑<sub>i</sub>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。 |