基于SRC-DP与LDA相结合的图像特征提取方法

摘要

本发明公开了一种基于SRC-DP与LDA相结合的图像特征提取方法，主要解决现有特征提取方法因为仅考虑重构关系或判别关系，导致无法更加准确描述样本信息从而使得图片分类结果不理想的问题。其实现步骤是：1.输入训练样本，计算样本的类内、类间离散度矩阵，初始化投影矩阵，2.对训练样本进行投影，并依次求解投影样本的稀疏表示系数；3.分别计算投影样本的类内、类间重构离散度矩阵；4.构造目标函数求解新的投影矩阵；5.对步骤2-4进行迭代，直至循环次数大于给定初始值，输出最终投影矩阵。本发明增强了图像分类的准确性，提高了分类识别率,可用于警务系统中人物身份的判别或影像拍摄中物体的查找。

主权项

一种基于SRC‑DP与LDA相结合的图像特征提取方法，包括如下步骤：(1)将所选图像库中的每一幅图片转化为向量进行存储，并分别抽取图像库中每类图像的一部分构成训练样本集其中R表示实数域，d表示原始空间中训练样本的维度，C表示训练样本的类别数,N_i表示第i类的训练样本数，，表示所有训练样本的总数；(2)利用线性判别分析方法LDA分别计算原始训练样本的类间离散度矩阵S_b和类内离散度矩阵S_w；(3)给定权重系数β，用来调节判别结构与重构结构的比例关系，β取值范围为[0,1],设定最大迭代步数m，最大迭代步数m由收敛效果决定，为了求解投影到低维空间中训练样本的稀疏系数，初始化投影矩阵P＝P₁∈R^d×p,其中p为低维空间中训练样本的维度，p＜＜d,假设当前迭代次数k＝1；(4)将训练样本集X中的每一个训练样本投影到p维空间上，即i＝1,...,C,j＝1...,N_i，表示原始空间中第i类的第j个训练样本，表示p维空间中第i类的第j个训练样本；(5)通过计算下式求解对应的稀疏表示系数向量且保证所求的的l₁范数最小：$\min {\left|\right|s_j^i\left|\right|}_{1}s.t.y_j^i={\mathrm{As}}_j^i,$其中$A=[y_1^1,...,y_{j-1}^i,y_{j+1}^i,...,y_{N_c}^C],$i＝1,...,C,j＝1...,N_i；(6)由第(5)步中求解所得的训练样本的稀疏表示向量并利用基于判别投影的稀疏表示分类器方法SRC‑DP分别计算原始训练样本的类间重构离散度矩阵E_b和类内重构离散度矩阵E_w；(7)根据(2)和(7)计算出的离散度矩阵S_b,S_w,E_b,E_w构建如下广义特征方程(E_b+βS_b)α_i＝λ_i(E_w+βS_w)α_i    i＝1,...,p；(8)求解(7)中广义特征方程中λ_i对应的特征向量α_i，且满足λ₁≥...≥λ_i...≥λ_p，得到λ_i对应特征向量α_i的投影矩阵P＝[α₁,...α_i,...α_p]；(9)令k＝k+1，当k≤m时，返回步骤(4)，直至k＞m时，输出最终的投影矩阵P'。