基于超图学的室内场景分类方法

摘要

基于超图学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框架内；依据所构建的半监督学框架，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。

主权项

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；所述构建半监督学习框架的具体方法为：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：$H(v,e)=\left\{\begin{array}{cc}1,& \begin{array}{cc}if& v\in e\end{array}\\ 0,& \begin{array}{cc}if& v\notin e\end{array}\end{array}\right.$其中v表示超图的结点，e表示超图的边；进而可以计算超图中每条边的权重w(e)、每个节点的度数d(v)和每条超边的度数δ(e)，同时可使用w(e)、d(v)和δ(e)作为对角元素构造其相关的对角矩阵W、D_v和D_e，根据这三个对角矩阵及相关矩阵，可以计算得到中间结果Θ为：$\Theta =D_v^{-(1/2)}{\mathrm{HWD}}_e^{-1}{H}^T{D}_v^{-(1/2)}$使用单位矩阵I减去Θ则可得：L＝I‑Θ计算结果L即表示该超图的拉普拉斯矩阵；基于该拉普拉斯矩阵可以构建出半监督学习框架的正则化项：Ω(f)＝f^TLf其中f表示需要预测图像的标签向量，f^T表示向量f的转置向量；进而构造出半监督框架，其公式如下：$\arg \underset{F}{min}tr{F}^{T}LF+\lambda tr\left[{(F-Y)}^T(F-Y)\right]$其中Y表示对图像进行标注的矩阵，tr表示计算矩阵的迹，λ参数是一个非负的数，控制着模型复杂度和经验损失函数之间的平衡；通过计算该公式，可以得到全部数据的预测标签F；(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。