基于压缩感知多核学的图像分类方法及其装置

摘要

一种基于压缩感知多核学的图像分类方法，包括：(1)字典学：分别构造关于颜色、纹理和轮廓的字典；(2)特征提取：计算图片的颜色特征直方图、纹理特征直方图和轮廓特征直方图并生成对应的三个特征集合；(3)特征降维：对图片的颜色、纹理和轮廓特征进行特征降维处理；(4)分类器学：使用基于最小二乘多核的分类器在训练集上学模型；以及(5)图像类别预测：对于一张待分类的图片，提取图像的特征，计算低维度的特征，拼接特征向量而形成新的特征，将该特征代入分类器模型，从而得到图像类别的输出结果。所述基于压缩感知多核学的图像分类方法能够对行人、车辆等图像具有很好的分类精度，从而提高了分类模型的泛化能力。

主权项

一种基于压缩感知多核学习的图像分类方法，其特征在于包括以下步骤：(1)字典学习：对训练样本集中的每张图片分别随机采样多张子图像，根据随机函数生成多个随机整数，随后生成多组子图像，对每张子图像分别提取关于颜色、纹理和轮廓的特征，并且利用聚类算法来分别构造关于颜色、纹理和轮廓的字典；(2)特征提取：提取训练样本集中的每张图片的颜色、纹理和轮廓特征，根据字典构造KD树从而分别计算图片的颜色特征直方图、纹理特征直方图和轮廓特征直方图并由此生成对应的三个特征集合；(3)特征降维：生成稀疏随机矩阵并且对图片的颜色、纹理和轮廓特征进行特征降维处理，从而得到对应的低维度的特征；(4)分类器学习：将样本的降维处理后的颜色、纹理和轮廓的三个低纬度特征向量进行顺序拼接，形成一个新的特征集合，并使用基于最小二乘多核的分类器在训练集上学习模型；(5)图像类别预测：对于一张待分类的图片，首先根据所述特征提取步骤而提取图像的特征，接着根据所述特征降维步骤而计算得到低维度的特征，再拼接降维后的特征向量而形成新的特征，将该新的特征代入训练好的分类器模型，从而得到图像类别的输出结果。