專利名稱：面向鑒別的圖像相關(guān)特征融合識別系統(tǒng)的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種電信技術(shù)領(lǐng)域的圖像識別系統(tǒng)，具體是一種面向鑒別的圖像 相關(guān)特征融合識別系統(tǒng)。
背景技術(shù)：
基于標準相關(guān)分析(Canonical Correlation Analysis,簡稱CCA)的特征融合 方法，是利用CCA建立兩組特征向量之間的相關(guān)性準則函數(shù)，求取投影向量集， 然后抽取得到組合的相關(guān)特征。
經(jīng)對現(xiàn)有技術(shù)文獻檢索發(fā)現(xiàn)，Q. S. Sun， S. G. Zeng， Y. Liu等在Pattern Recognition (模式識另U， 2005， 38(12): 2437—2448)上發(fā)表的文章"Anew method of feature fUsion and its application in image recognition"("——禾中特征融合新方、法以 及在圖像識別中的應(yīng)用")中，證明了利用標準相關(guān)分析法所抽取的特征之間是 不相關(guān)的，因此具有良好的分類性能。但是該方法是建立在向量形式的兩組特征 上，因此，當(dāng)用于圖像識別等圖像處理問題時，必須先將二維的圖像矩陣通過行 連接或列連接轉(zhuǎn)化為一維的列向量，然后以該列向量作為原始特征進行分析。由 于圖像向量的維數(shù)一般較高(如分辨率為256X256=65536的圖像)，這不僅會面 臨計算量大的問題，而且通常圖像樣本的個數(shù)遠小于圖像向量的維數(shù)(即高維小 樣本問題)，這會導(dǎo)致協(xié)方差陣奇異，而在使用CCA時，要求訓(xùn)練樣本的協(xié)方差 陣是非奇異的。而且將圖像矩陣轉(zhuǎn)化為列向量，會破壞像素間的空間相關(guān)性，設(shè) mXn大小的圖像矩陣通過行連接轉(zhuǎn)化為列向量，像素a和b在圖像矩陣中本來 是上下相鄰的，但在列向量中位置卻相差ra個像素，顯然破壞了像素間固有的空 間信息，不利于特征的抽取。
經(jīng)檢索還發(fā)現(xiàn)，孫權(quán)森的博士論文《基于相關(guān)投影分析的特征抽取與圖像識 別研究》(南京理工大學(xué)，2006)提出了 2D-CCA方法(2-Dimensional Canonical Correlation Analysis,簡稱2D-CCA)，直接利用圖像的矩陣表達形式進行相關(guān) 投影分析，提高了特征的抽取速度，但是2D-CCA僅僅是對圖像矩陣的列作線性組合，只反映了圖像行之間的信息，因而僅降低了圖像矩陣的列的大小，求得的 特征矩陣的維數(shù)較高。而同時從行和列兩個方向降維，可以更自然地刻畫圖像矩 陣行向量間的關(guān)系和列向量間的關(guān)系，抽取的特征能更集中地反映圖像的信息。 而且CCA考察的是兩個多維變量之間的相關(guān)關(guān)系，通過投影變換抽取出較少的相 關(guān)變量，這些變量完整而又簡單地刻畫了多維變量之間的相關(guān)性，達到了降維的 目的，但是這些特征的鑒別能力可能不足，抽取的特征不適于作為分類識別目標 的依據(jù)。

發(fā)明內(nèi)容
本發(fā)明的目的在于針對上述現(xiàn)有技術(shù)的不足，提出一種面向鑒別的圖像相關(guān) 特征融合識別方法，使其利用圖像的矩陣表示形式，同時從行列兩個方向降維， 抽取出能更集中地反映圖像的信息的特征，進一步的線性鑒別分析處理，提高特 征的鑒別能力，本發(fā)明可應(yīng)用于圖像識別，能夠提高識別的精度。
本發(fā)明是通過以下技術(shù)方案實現(xiàn)的，本發(fā)明包括圖像采集模塊、投影矩陣 獲得模塊、新特征構(gòu)造模塊、線性鑒別分析模塊、數(shù)據(jù)分類模塊，其中
圖像采集模塊采集反映目標兩種特性的兩幅圖像，經(jīng)過圖像配準操作后，將 兩幅圖像組成圖像對，將每幅圖像作為一個矩陣，然后將這些圖像對作為訓(xùn)練樣 本集，最后將訓(xùn)練樣本集傳輸給投影矩陣獲得模塊和新特征構(gòu)造模塊，并將采集 到的測試圖像傳輸給新特征構(gòu)造模塊；
投影矩陣獲得模塊接收訓(xùn)練樣本集，分別建立這兩種訓(xùn)練圖像矩陣的平均 值，根據(jù)得到的平均值，再根據(jù)面向鑒別的圖像相關(guān)特征融合識別方法，給定初 始迭代值，通過迭代過程，解特征值問題，構(gòu)成從行和列兩個方向抽取特征的投 影矩陣，并將投影矩陣傳輸給新特征構(gòu)造模塊；
新特征構(gòu)造模塊接收輸入的訓(xùn)練圖像和投影矩陣，將所有訓(xùn)練圖像矩陣利用 投影矩陣投影到特征空間，得到兩種圖像的訓(xùn)練特征，將測試圖像也投影到特征 空間，得到兩種圖像的測試特征，將這兩種圖像的訓(xùn)練特征和測試特征分別做并 行融合形成新特征，并將新特征轉(zhuǎn)化為向量形式后傳輸給線性鑒別分析模塊；
線性鑒別分析模塊接收新特征，將訓(xùn)練特征并行融合形成的新特征作為線性 鑒別分析方法的訓(xùn)練數(shù)據(jù)，測試特征并行融合形成的新特征作為測試數(shù)據(jù)，用線 性鑒別分析方法抽取得到面向鑒別的訓(xùn)練系數(shù)矩陣和測試系數(shù)矩陣，并將訓(xùn)練系 數(shù)矩陣和測試系數(shù)矩陣傳輸給數(shù)據(jù)分類模塊；數(shù)據(jù)分類模塊接收訓(xùn)練系數(shù)矩陣和測試系數(shù)矩陣，將訓(xùn)練系數(shù)矩陣作為識別 標準，采用最小距離分類器進行分類識別，即能識別出測試圖像所屬的類別。
所述投影矩陣獲得模塊，其建立兩種訓(xùn)練圖像矩陣的平均值，具體如下訓(xùn) 練樣本集中有iV對圖像(4,萬,),/= 1,2,…，AT ， 4為第一種圖像，g為第二種圖像， 其中4e^(g)^， 5^^ /^，均為矩陣形式，則第一種圖像的均值為
2 = H>,.，第二種圖像的均值為》=H>,，其中，^c,為圖像矩陣4
〃S
的行數(shù)、列數(shù)， q為圖像矩陣萬,的行數(shù)、列數(shù)。
所述投影矩陣獲得模塊，其采用面向鑒別的圖像相關(guān)特征融合識別方法找到 一組最優(yōu)投影矩陣使得4和A的投影的相關(guān)性最大，具體如下尋找^x/的投 影矩陣M和qxr的投影矩陣K ，將4投影到矩陣 f = f/f4P; e W iT(/ < ^， r < q)，以及尋找r2 x /的投影矩陣f/2和c2 x t的投影矩 陣^，將^投影到矩陣0=￡/2^,^^^<8)^(/<^2^"2)，使f和Q的相關(guān)性最 大，其中，M,^為4的左右變換矩陣，K,^為萬,的左右變換矩陣，f為經(jīng)變換 矩陣降維后的4， g為經(jīng)變換矩陣降維后的萬,，/,r為f ， g的行數(shù)和列數(shù)。
所述投影矩陣獲得模塊，其根據(jù)面向鑒別的圖像相關(guān)特征融合識別方法，給 定初始迭代值，通過迭代過程，解特征值問題，構(gòu)成從行和列兩個方向抽取特征 的投影矩陣，具體如下
將圖像投影變換后，分別獲得兩種圖像的方差
A =》證("〖(4 -1)^,(4 - 1化)
'=1
w — —
^ -5 /CS, -5f C/2)
在圖像方差的基礎(chǔ)上獲得兩種圖像間的互協(xié)方差-根據(jù)圖像的方差和圖像間的互協(xié)方差建立面向鑒別的圖像相關(guān)特征融合識
別方法的目標函數(shù)將上述目標函數(shù)簡化為求解如下最優(yōu)化問題
max力^ ".力乂 = 1,
4=1.
在上述最優(yōu)化問題的基礎(chǔ)上，采取高斯-塞德爾(Gauss-Seidel)迭代方法 獲得兩種圖像的投影矩陣，即獲得兩種圖像的左右變換矩陣。
所述新特征構(gòu)造模塊，其將所有訓(xùn)練圖像矩陣利用生成的投影矩陣投影到特 征空間，得到訓(xùn)練特征，并將訓(xùn)練特征做并行融合形成新特征，是指將4投影到
矩陣S =f/^4^，將A投影到矩陣G =《AK ，并行融合形成的新的訓(xùn)練特征為
與訓(xùn)練圖像相同，將測試圖像矩陣也利用投影矩陣投影到特征空間， 得到測試特征，測試特征做并行融合形成新的測試特征，將新的訓(xùn)練特征和新的 測試特征分別轉(zhuǎn)化為向量形式后作為線性鑒別分析方法的輸入，用線性鑒別分析 方法抽取得到面向鑒別的特征。
與現(xiàn)有技術(shù)相比，本發(fā)明具有如下有益效果
本發(fā)明利用圖像的矩陣表示形式，而不必事先將圖像矩陣轉(zhuǎn)換為向量形式， 不僅維持了像素間的空間相關(guān)性，而且避免了在高維空間構(gòu)造協(xié)方差陣并計算相 關(guān)特征向量的困難，降低了計算量， 一定程度上避免了協(xié)方差陣奇異，同時從圖 像矩陣的行和列兩個方向降維，可以更自然地刻畫圖像矩陣行向量間的關(guān)系和列 向量間的關(guān)系，抽取的特征能更集中地反映圖像的信息，進一步面向鑒別的處理， 可以抽取得到更具鑒別力的特征，應(yīng)用到圖像識別中，不僅可以提高處理速度， 而且可以提高識別性能。本發(fā)明可應(yīng)用于人臉識別、視頻監(jiān)控系統(tǒng)、軍事目標跟 蹤識別系統(tǒng)等各類民用及軍用系統(tǒng)中，具有廣闊的市場前景和應(yīng)用價值。


圖l為本發(fā)明的系統(tǒng)結(jié)構(gòu)框圖2為本發(fā)明在戴眼鏡人臉圖像庫中進行識別的結(jié)果與(2D^CCA進行識別 的結(jié)果比較圖3為本發(fā)明在不戴眼鏡人臉圖像庫中進行識別的結(jié)果與(2D^CCA進行識 別的結(jié)果比較圖。
具體實施方式
下面結(jié)合附圖對本發(fā)明的實施例作詳細說明本實施例在以本發(fā)明技術(shù)方案 為前提下進行實施，給出了詳細的實施方式和具體的操作過程，但本發(fā)明的保護 范圍不限于下述的實施例。
本實施例應(yīng)用于Equinox數(shù)據(jù)庫，Equinox數(shù)據(jù)庫是美國國家標準和技術(shù)中 心和Equinox公司聯(lián)合建立的可見光/紅外人臉圖像數(shù)據(jù)庫，圖像已經(jīng)過配準。 實驗在一個包含44個人的1760幅圖像(每人40幅不戴眼鏡時的10幅紅外圖 像及相應(yīng)的10幅可見光圖像，戴眼鏡時的10幅紅外圖像及相應(yīng)的10幅可見光 圖像)的庫上進行。經(jīng)過預(yù)處理后將原圖像變成分辨率為56x46的灰度圖像。
本實施例中選取每人5幅可見光/紅外圖像作為訓(xùn)練數(shù)據(jù)，剩余的圖像作為 測試數(shù)據(jù)。
如圖1所示，本實施例包括圖像采集模塊、投影矩陣獲得模塊、新特征構(gòu)
造模塊、線性鑒別分析模塊、數(shù)據(jù)分類模塊，其中
圖像采集模塊同時采集目標的可見光圖像和紅外圖像(各取220張)，經(jīng)過 圖像配準操作后，將兩種圖像組成圖像對，并把每幅圖像作為一個矩陣，將這些 圖像對作為訓(xùn)練樣本集，最后將訓(xùn)練樣本集傳輸給投影矩陣獲得模塊和新特征構(gòu) 造模塊，并將采集到的測試圖像傳輸給新特征構(gòu)造模塊；
投影矩陣獲得模塊接收訓(xùn)練樣本集，分別建立可見光訓(xùn)練圖像矩陣和紅外訓(xùn) 練圖像矩陣的平均值，根據(jù)得到的平均值，再根據(jù)面向鑒別的圖像相關(guān)特征融合 識別方法，給定初始迭代值，通過迭代過程，解特征值問題，構(gòu)成能從行和列兩 個方向抽取特征的投影矩陣，并將投影矩陣傳輸給新特征構(gòu)造模塊；
新特征構(gòu)造模塊接收輸入的訓(xùn)練圖像和投影矩陣，將所有訓(xùn)練圖像矩陣利用 投影矩陣投影到特征空間，得到兩種圖像的訓(xùn)練特征，將測試圖像也投影到特征 空間，得到兩種圖像的測試特征，將這兩種圖像的訓(xùn)練特征和測試特征分別做并 行融合形成新特征，并將新特征轉(zhuǎn)化為向量形式后傳輸給線性鑒別分析模塊；
線性鑒別分析模塊接收新特征，并將訓(xùn)練特征并行融合形成的新特征作為線 性鑒別分析方法的訓(xùn)練數(shù)據(jù)，測試特征并行融合形成的新特征作為測試數(shù)據(jù)，用 線性鑒別分析方法抽取得到面向鑒別的訓(xùn)練系數(shù)矩陣特征和測試系數(shù)矩陣特征， 并將訓(xùn)練系數(shù)矩陣特征和測試系數(shù)矩陣特征傳輸給數(shù)據(jù)分類模塊；
數(shù)據(jù)分類模塊接收訓(xùn)練系數(shù)矩陣特征和測試系數(shù)矩陣特征，將訓(xùn)練系數(shù)矩陣 特征作為識別標準，采用最小距離分類器進行分類識別，即可識別出測試圖像所
9屬的類別。
所述投影矩陣獲得模塊，其建立兩種訓(xùn)練圖像矩陣的平均值，具體如下訓(xùn) 練樣本集中有AT對圖像(4,5,),^l,2,…,iV ， 4為第一種圖像，B,為第二種圖像，
其中4eir'(g)^， 5,ei^(8)i^,均為矩陣形式，則第一種圖像的均值為
的行數(shù)、列數(shù)，^，q為圖像矩陣5,的行數(shù)、列數(shù)。
所述投影矩陣獲得模塊，其采用面向鑒別的圖像相關(guān)特征融合識別方法找到 一組最優(yōu)投影矩陣使得4和5,的投影的相關(guān)性最大，具體如下尋找^x/的投 影矩陣R和C,xr的投影矩陣K ，將4投影到矩陣 《=《e W (/ < < Cl)，以及尋找r2 x/的投影矩陣f/2和c2 xr的投影矩 陣J^ ，將5,投影到矩陣Q -C/S,r2 e7 ' iT(/<r2,r<c2)，使《和Q的相關(guān)性最 大，其中，C/,，^為4的左右變換矩陣，K,^為萬,的左右變換矩陣，f為經(jīng)變換 矩陣降維后的4， g為經(jīng)變換矩陣降維后的A， /，r為S， g,的行數(shù)和列數(shù)。
所述投影矩陣獲得模塊，根據(jù)面向鑒別的圖像相關(guān)特征融合識別方法，給定 初始迭代值，通過迭代過程，解特征值問題，構(gòu)成能從行和列兩個方向抽取特征 的投影矩陣，具體如下
將可見光圖像和紅外圖像投影變換后，分別獲得兩種圖像的方差-
根據(jù)圖像的方差和圖像間的互協(xié)方差建立面向鑒別的圖像相關(guān)特征融合識
別方法的目標函數(shù)<formula>formula see original document page 10</formula>
4 =》匿6([/〖(我-s)F2F2r(s,-互)7，"2)
在圖像方差的基礎(chǔ)上獲得兩種圖像間的互協(xié)方差:
將上述目標函數(shù)簡化為求解如下最優(yōu)化問題:應(yīng)As ".a = 1,
在上述最優(yōu)化問題的形式基礎(chǔ)上，采取迭代方法獲得投影矩陣C/p:^,K ,
具體如下
① 初始化^^: k仨^,k—&()， 7' = 0，其中
^。=^，。=1, e^為rxr的單位陣，I為全一陣；
② _/ = "1，分別計算S:^^，緩，^S緣S^S,的前/個最大非
零特征值對應(yīng)的特征向量&L和w,L，并令fA,, =[^廣.^]，^/2，7 =[^—4]，
其中，s, =￡(4-》^-^H(4-)r';》F2J—^i—》f ，
③分別計算&^娜^a肌，s^a肌s丄&布的前r個最大非零特征值 對應(yīng)的特征向量{仍}:=1和^}〖=1，并令k,[化…,^]a,[^…,a]，
其中，^=f(4-》w,/^(4-》，^=|;(5,-巧^2,//乙偶-②，
Aw=s (5'—》)r"'—)'=《肌；
重復(fù)②、③兩步C次或設(shè)定閾值7/，最后獲得投影矩陣 t/,t/^,t/2^C^c,F「K^,^^^，c，其中，C為迭代次數(shù)，可以通過實驗確
定最優(yōu)迭代次數(shù)，本實施例通過實驗確定最優(yōu)迭代次數(shù)為C = 2 。
所述新特征構(gòu)造模塊，其將所有訓(xùn)練圖像矩陣利用生成的投影矩陣投影到特 征空間，得到訓(xùn)練特征，并將訓(xùn)練特征做并行融合形成新特征，是指將可見光圖 像4投影到矩陣《=^4《，將紅外圖像8,投影到矩陣0="275,^2,并行融合形 成的新特征為f+"0，將形成的新特征轉(zhuǎn)化為向量形式后作為線性鑒別分析
方法的輸入，用線性鑒別分析方法進一步抽取得到面向鑒別的特征?？梢姽鉁y試 圖像和紅外測試圖像也經(jīng)過同樣的處理，用線性鑒別分析方法進一步抽取得到面 向鑒別的特征。本實施例分別在戴眼鏡圖像庫和不戴眼鏡圖像庫中進行，隨機選擇5幅可見 光/紅外圖像作為訓(xùn)練數(shù)據(jù)，剩余的圖像作為測試數(shù)據(jù)。重復(fù)實驗20次，取20 次結(jié)果的平均值作為最終結(jié)果。為簡便，實驗中取/ =""，迭代次數(shù)為C二2， 采用最小距離分類器。
如圖2所示，為本實施例方法在戴眼鏡人臉圖像庫中進行識別的結(jié)果與 (2D)2CCA (利用圖像的矩陣表示形式同時從行和列兩個方向降維，但是沒有經(jīng) 過的線性鑒別分析處理的特征融合方法)進行識別的結(jié)果比較圖；如圖3所示， 為本實施例方法在不戴眼鏡人臉圖像庫中進行識別的結(jié)果與(2D^CCA進行識別 的結(jié)果比較圖。其中，橫坐標為c/的取值，縱坐標為識別率，從圖中可看出，本 實施例方法明顯優(yōu)于直接用(2D^CCA提取特征的方法，能獲得更具鑒別性的特 征，可以提高識別性能。
權(quán)利要求
1、一種面向鑒別的圖像相關(guān)特征融合識別系統(tǒng)，其特征在于，包括圖像采集模塊、投影矩陣獲得模塊、新特征構(gòu)造模塊、線性鑒別分析模塊、數(shù)據(jù)分類模塊，其中圖像采集模塊采集反映目標兩種特性的兩幅圖像，經(jīng)過圖像配準操作后，將兩幅圖像組成圖像對，將每幅圖像作為一個矩陣，然后將這些圖像對作為訓(xùn)練樣本集，最后將訓(xùn)練樣本集傳輸給投影矩陣獲得模塊和新特征構(gòu)造模塊，并將采集到的測試圖像傳輸給新特征構(gòu)造模塊；投影矩陣獲得模塊接收訓(xùn)練樣本集，分別建立這兩種訓(xùn)練圖像矩陣的平均值，根據(jù)得到的平均值，再根據(jù)面向鑒別的圖像相關(guān)特征融合識別方法，給定初始迭代值，通過迭代過程，解特征值問題，構(gòu)成從行和列兩個方向抽取特征的投影矩陣，并將投影矩陣傳輸給新特征構(gòu)造模塊；新特征構(gòu)造模塊接收輸入的訓(xùn)練圖像和投影矩陣，將所有訓(xùn)練圖像矩陣利用投影矩陣投影到特征空間，得到兩種圖像的訓(xùn)練特征，將測試圖像也投影到特征空間，得到兩種圖像的測試特征，將這兩種圖像的訓(xùn)練特征和測試特征分別做并行融合形成新特征，并將新特征轉(zhuǎn)化為向量形式后傳輸給線性鑒別分析模塊；線性鑒別分析模塊接收新特征，將訓(xùn)練特征并行融合形成的新特征作為線性鑒別分析方法的訓(xùn)練數(shù)據(jù)，測試特征并行融合形成的新特征作為測試數(shù)據(jù)，用線性鑒別分析方法抽取得到面向鑒別的訓(xùn)練系數(shù)矩陣和測試系數(shù)矩陣，并將訓(xùn)練系數(shù)矩陣和測試系數(shù)矩陣傳輸給數(shù)據(jù)分類模塊；數(shù)據(jù)分類模塊接收訓(xùn)練系數(shù)矩陣和測試系數(shù)矩陣，將訓(xùn)練系數(shù)矩陣作為識別標準，采用最小距離分類器進行分類識別，即能識別出測試圖像所屬的類別。
2、 根據(jù)權(quán)利要求1所述的面向鑒別的圖像相關(guān)特征融合識別系統(tǒng)，其特征 是，所述投影矩陣獲得模塊，其建立兩種訓(xùn)練圖像矩陣的平均值，具體如下訓(xùn) 練樣本集中有iV對圖像(4,A)，z'"，2,…,7V，4為第一種圖像，A為第二種圖像， 其中4e/T'(S)ir1， B,ei^(8)i^，均為矩陣形式，則第一種圖像的均值為=+|;^,，第二種圖像的均值為^=4|]5,，其中，n,C,為圖像矩陣4的行數(shù)、列數(shù)，^，c,為圖像矩陣萬,的行數(shù)、列數(shù)。
3、 根據(jù)權(quán)利要求1或2所述的面向鑒別的圖像相關(guān)特征融合識別系統(tǒng)，其 特征是，所述投影矩陣獲得模塊，其采用面向鑒別的圖像相關(guān)特征融合識別方法 找到一組最優(yōu)投影矩陣使得4和5,的投影的相關(guān)性最大，具體如下尋找。x/的 投影矩陣^和ClXr的投影矩陣Fj ，將4投影到矩陣 《=《4K e i ' iT(/ < n,r < Ci)，以及尋找^ x /的投影矩陣f/2和c2 x r的投影矩 陣^，將5,投影到矩陣2,=《^^^<8)^(/"2，7"2)，使g和g,的相關(guān)性最 大，其中，C/^為4的左右變換矩陣，R，^為5,的左右變換矩陣，《為經(jīng)變換 矩陣降維后的4， g為經(jīng)變換矩陣降維后的5,， /，r為f， G的行數(shù)和列數(shù)。
4、 根據(jù)權(quán)利要求1或2所述的面向鑒別的圖像相關(guān)特征融合識別系統(tǒng)，其 特征是，所述投影矩陣獲得模塊，其根據(jù)面向鑒別的圖像相關(guān)特征融合識別方法， 給定初始迭代值，通過迭代過程，解特征值問題，構(gòu)成從行和列兩個方向抽取特 征的投影矩陣，具體如下將圖像投影變換后，分別獲得兩種圖像的方差w 一 一,=i在圖像方差的基礎(chǔ)上獲得兩種圖像間的互協(xié)方差4 = f>ra,r(4 _ Z,/(s,.-柳2) 根據(jù)圖像的方差和圖像間的互協(xié)方差建立面向鑒別的圖像相關(guān)特征融合識別方法的目標函數(shù)將上述目標函數(shù)簡化為求解如下最優(yōu)化問題max & ".^ = 1，4=1.在上述最優(yōu)化問題的基礎(chǔ)上，采取高斯-塞德爾迭代方法分別獲得兩種圖像的投影矩陣。
5、根據(jù)權(quán)利要求1所述的面向鑒別的圖像相關(guān)特征融合識別系統(tǒng)，其特征 是，所述新特征構(gòu)造模塊，其將所有訓(xùn)練圖像矩陣利用生成的投影矩陣投影到特 征空間，得到訓(xùn)練特征，并將訓(xùn)練特征做并行融合形成新特征，是指將^投影到矩陣《=《4^，將A投影到矩陣Q =t/2^,r2 ，并行融合形成的新的訓(xùn)練特征為S+Ag;與訓(xùn)練圖像相同，將測試圖像矩陣也利用投影矩陣投影到特征空間， 得到測試特征，測試特征做并行融合形成新的測試特征，將新的訓(xùn)練特征和新的 測試特征分別轉(zhuǎn)化為向量形式后作為線性鑒別分析方法的輸入，用線性鑒別分析 方法抽取得到面向鑒別的特征。
全文摘要
一種電信技術(shù)領(lǐng)域的面向鑒別的圖像相關(guān)特征融合識別系統(tǒng)，本發(fā)明中，首先根據(jù)訓(xùn)練圖像，通過迭代過程求出投影矩陣；然后利用該投影矩陣把訓(xùn)練圖像和測試圖像分別投影到特征空間中，抽取出訓(xùn)練特征和測試特征，并將這些特征分別做并行融合形成新特征；最后，再用線性鑒別分析方法抽取出更具鑒別力的特征，采用最小距離分類器，即可識別出測試圖像所屬的類別。本發(fā)明可以更自然地刻畫圖像矩陣行向量間的關(guān)系和列向量間的關(guān)系，抽取的特征能更集中地反映圖像的信息，進一步面向鑒別的處理，可以抽取出更具鑒別力的特征，應(yīng)用到圖像識別中，不僅可以提高處理速度，而且可以提高識別性能。
文檔編號G06K9/66GK101515330SQ20091004634
公開日2009年8月26日 申請日期2009年2月19日 優(yōu)先權(quán)日2009年2月19日
發(fā)明者敬忠良, 楊慧軍, 趙海濤, 博 金 申請人:上海交通大學(xué)