專利名稱：基于空間約束特征選擇及其組合的中國剪紙識別方法
技術(shù)領(lǐng)域：
本發(fā)明涉及圖像識別領(lǐng)域，尤其涉及一種基于空間約束特征選擇及其組合的中國 剪紙識別方法。
背景技術(shù)：
剪紙，又名“刻紙”，是一種以紙為加工對象，以剪刀(或刻刀)為工具進(jìn)行創(chuàng)作的 藝術(shù)。剪紙因其講究刀法，玲瓏剔透紙感語言和強(qiáng)調(diào)影廓造型而形成一種獨特藝術(shù)形式。經(jīng) 過幾千年發(fā)展與積淀，剪紙作品可分為動物、肖像、人物和文字等類別。剪紙作品包含了豐富語義而難以用文字直接進(jìn)行表達(dá)，大量剪紙作品經(jīng)過數(shù)字化 處理后，為了發(fā)揮其共享優(yōu)勢，迫切需要研究針對剪紙作品的搜索技術(shù)?；趦?nèi)容圖像檢索 Content-based Information Retrieval (CBIR)方法因其通過圖像視覺特征(如顏色、紋理 和形狀等)實現(xiàn)相似圖像檢索而引起廣泛關(guān)注，由于存在底層特征難以表達(dá)高層語義這一 “語義鴻溝”，使得CBIR這一圖像搜索方法面臨很大挑戰(zhàn)。CBIR —般采用的視覺特征包括顏色、形狀、紋理以及他們的組合。由于形狀是表 現(xiàn)剪紙作品蘊(yùn)含語義的重要特征，因此剪紙作品的形狀特征提取方法成為剪紙作品識別 的關(guān)鍵問題。計算機(jī)視覺和模式識別(Computer Vision andPattern Recognition) 2006 年會議論文集中公布了一種提取圖像形狀特征及其計算相應(yīng)相似度的方法——空間金字 塔匹配(Spatial Pyramid Matching, SPM)。該方法首先對圖像構(gòu)造尺度大小不同空間金 字塔，在空間金字塔的每一層用粒度遞增的單元格去對圖像進(jìn)行空間劃分，然后統(tǒng)計每一 個劃分得到的圖像單元格子塊中視覺單詞(Visual Words)出現(xiàn)次數(shù)，得到視覺單詞直方 圖。由于在單元格大小變化過程中各視覺單詞出現(xiàn)次數(shù)隨之變化，這一變化可體現(xiàn)圖像中 形狀在不同尺度空間不同，因此用直方圖的交來表示每一層金字塔。2009年電氣和電子 工程師協(xié)會關(guān)于計算機(jī)視覺和模式識別會議(IEEE Conference onComputer Vision and Pattern Recognition)論文集中公布了一種提出了一種基于馬爾可夫穩(wěn)態(tài)特性(Markov Stationary Features,MSF)白勺才目(Contextualizing Histogram,CH) 提取方法。上述兩種特征提取方法都存在一定局限性，空間金字塔匹配反映了圖像在不同 尺度上的相似性，上下文相關(guān)直方圖則反映了圖像在同一尺度上存在空間上下文約束的相 似性。

發(fā)明內(nèi)容
本發(fā)明的目的是克服空間金字塔匹配和上下文相關(guān)直方圖在表達(dá)圖像形狀上的 局限性，將其有效結(jié)合，提供一種基于空間約束特征選擇及其組合的中國剪紙識別方法?；诳臻g約束特征選擇及其組合的中國剪紙識別方法包括如下步驟1)采用空間金字塔匹配和上下文相關(guān)直方圖相結(jié)合的方法提取樣本初始特征，形 成樣本候選特征；2)利用基于AdaBoost的特征選擇和組合技術(shù)對樣本候選特征進(jìn)行處理，得到樣本區(qū)別性特征；3)通過每一類中所有組合特征的中心特征向量、區(qū)別性特征以及定義其上的距離 計算公式來表征該類；4)計算測試集樣本在區(qū)別性特征上與各類別中心特征的距離，得到剪紙作品分類 識別結(jié)果；所述的采用空間金字塔匹配和上下文相關(guān)直方圖結(jié)合的方法提取樣本初始特征， 形成樣本候選特征步驟包括對于給定的M幅剪紙圖像Si {1 < i < M}，分別提取128維的 SIFT局部特征，進(jìn)而用K-means聚類得到32個視覺單詞。為了得到這些視覺單詞之間存 在的空間結(jié)構(gòu)性屬性，對訓(xùn)練集樣本通過采樣得到3層金字塔，1代表空間金字塔的第1層 (1≥0)，d代表第1層單元格的總數(shù)，d = 21 X 21，這樣每幅剪紙圖像總共得到(41-” /3個 子塊。對于這些(f-DA個子塊，在其每一個子塊內(nèi)，定義馬爾可夫穩(wěn)態(tài)特性，來計算得到 表示視覺單詞之間共生關(guān)系的伴隨矩陣。這樣，對于每幅圖像，可提取出具有空間約束的特 征維數(shù)為Z，這里Z = E x64X (4ll) /3。值得指出的是，本文在提取具有空間約束特征過程 中，是按照圖像中所包含的視覺單詞進(jìn)行提取，而不是按照像素點顏色值進(jìn)行提取。同時， 每幅圖像所提取的特征維數(shù)均相同。為了消除每個特征值域變化范圍不同對分類造成的影 響，給定每一類剪紙圖像后，對其相應(yīng)維特征進(jìn)行歸一化處理。所述的利用基于AdaBoost的特征選擇和組合技術(shù)對樣本候選特征進(jìn)行處理，得 到樣本區(qū)別性特征步驟包括對于第j類剪紙圖像每一輪對任意兩維特征進(jìn)行組合，并連 同原特征一起作為候選特征。給定N類M幅剪紙圖像Si{l ^ i <M}，其類別標(biāo)記矩陣記為 T T = {tij G {0,1} |1 ^－≤ i≤M, 1 ≤ j≤ N}其中，i和j分別用來表示第i幅剪紙圖像和第j個類別；如果第i幅剪紙圖像屬 于第j個類別，則、=1，否則= 0。仍然以第j類剪紙圖像為例來介紹其對應(yīng)的區(qū)別 性特征選擇過程。在訓(xùn)練分類器之前，用表示屬于第j個類別的第i幅剪紙加權(quán)計算簡 單分類器誤差權(quán)重，即W = {w.jll ^ i ^ M, 1 ^ j ^ N}，它表征了簡單分類器對總體分類 的影響，其初始值定義如下 首先應(yīng)用AdaBoost的思想，對組合出來的待選擇特征V(即特征組合過程中的一 種組合特征)中各分量vik構(gòu)造簡單分類器，該分類器定義如下 其中sort(|vik-Cjk|)的表示分量vik與類中心歐氏距離排序后的排名。coimtap 表示第j類樣本數(shù)。利用上述分類器對待選擇特征V進(jìn)行分類，得到分類結(jié)果集R = {rik G {0,1} |1 ≤ i ≤M, 1 ≤k≤K}每個特征分量計算訓(xùn)練誤差定義為
5
其計算過程中，每次計算需依照以下公式更新權(quán)值wu， 得到候選特征V各分量分類誤差后，對其按照該分類誤差進(jìn)行排序，選取V中誤差 最小前Z個分量構(gòu)成第j類剪紙圖像的一種區(qū)別性特征。所述的通過每一類中所有組合特征的中心特征向量、區(qū)別性特征以及定義其上的 距離計算公式來表征該類步驟包括通過特征組合和選擇可得到每一類的區(qū)別性特征，以 此作為每一類中所有組合特征的類中心特征向量，然后選擇得到的區(qū)別性特征，并利用定
義其上的距離計算公式來表征該類；距離計算公式定義為
其中t為
測試集樣本特征向量，S為訓(xùn)練集樣本特征向量。據(jù)此，可以計算測試集樣本在判別性特征 上與各類別中心特征的距離，從而實現(xiàn)對剪紙作品的分類識別。所述的計算測試集樣本在區(qū)別性特征上與各類別中心特征的距離，得到剪紙作品 分類識別結(jié)果步驟包括對測試集樣本進(jìn)行預(yù)處理，提取SIFT特征，采用K-Means聚類算法 提取視覺單詞，形成樣本初始特征；然后采用空間金字塔匹配和上下文相關(guān)直方圖結(jié)合的
方法處理樣本初始特征，形成樣本候選特征；利用
二距離計算公式計算
測試集樣本在區(qū)別性特征上與各類別中心特征的距離，其中t為測試集樣本特征向量，s為 訓(xùn)練集樣本特征向量；最終得到測試集分類識別結(jié)果，比較測試集分類結(jié)果與真實分類結(jié)本發(fā)明有效地將空間金字塔匹配和上下文相關(guān)直方圖這兩種方法結(jié)合起來，克服 其在表達(dá)圖像形狀上的局限性，提取和形成具有區(qū)別性的剪紙圖像形狀特征，并在此基礎(chǔ) 之上實現(xiàn)剪紙作品分類識別。


圖1是本發(fā)明金字塔子塊劃分示意圖。圖2是剪紙作品集各類別示例圖。圖3是不同區(qū)別性特征維數(shù)下本發(fā)明與單獨使用空間金字塔匹配以及單獨使用 上下文相關(guān)直方圖的AUC得分比較。
具體實施例方式基于空間約束特征選擇及其組合的中國剪紙識別方法包括如下步驟1)采用空間金字塔匹配和上下文相關(guān)直方圖相結(jié)合的方法提取樣本初始特征，形 成樣本候選特征；2)利用基于AdaBoost的特征選擇和組合技術(shù)對樣本候選特征進(jìn)行處理，得到樣 本區(qū)別性特征；3)通過每一類中所有組合特征的中心特征向量、區(qū)別性特征以及定義其上的距離計算公式來表征該類；4)計算測試集樣本在區(qū)別性特征上與各類別中心特征的距離，得到剪紙作品分類 識別結(jié)果；所述的采用空間金字塔匹配和上下文相關(guān)直方圖結(jié)合的方法提取樣本初始特征， 形成樣本候選特征步驟包括對于給定的M幅剪紙圖像Si {1 < i < M}，分別提取128維的 SIFT局部特征，進(jìn)而用K-means聚類得到32個視覺單詞。為了得到這些視覺單詞之間存 在的空間結(jié)構(gòu)性屬性，對訓(xùn)練集樣本通過采樣得到3層金字塔，1代表空間金字塔的第1層 (1≤0)，d代表第1層單元格的總數(shù)，d = 21 X 21，這樣每幅剪紙圖像總共得到(41-” /3個 子塊。對于這些(f-DA個子塊，在其每一個子塊內(nèi)，定義馬爾可夫穩(wěn)態(tài)特性，來計算得到 表示視覺單詞之間共生關(guān)系的伴隨矩陣。這樣，對于每幅圖像，可提取出具有空間約束的特 征維數(shù)為Z，這里Z = E x64X (4ll) /3。值得指出的是，本文在提取具有空間約束特征過程 中，是按照圖像中所包含的視覺單詞進(jìn)行提取，而不是按照像素點顏色值進(jìn)行提取。同時， 每幅圖像所提取的特征維數(shù)均相同。為了消除每個特征值域變化范圍不同對分類造成的影 響，給定每一類剪紙圖像后，對其相應(yīng)維特征進(jìn)行歸一化處理。所述的利用基于AdaBoost的特征選擇和組合技術(shù)對樣本候選特征進(jìn)行處理，得 到樣本區(qū)別性特征步驟包括對于第j類剪紙圖像每一輪對任意兩維特征進(jìn)行組合，并連 同原特征一起作為候選特征。具體實施步驟如下輸入候選特征集候選特征集V = {vik|l≤i≤M，1≤k≤Z}；標(biāo)注矩陣T = {t≤. G {0,1} |1 ≤ i≤j≤ N}輸出組合后特征集V' = {V ik|l≤i≤M，1≤k≤H}步驟1.初始化 Vr=(jj2.對k = 1 to K重復(fù)如下操作a)設(shè) Vc =小b)設(shè) Vr = Vr U Vc)對I中每兩個列向量Va和Vb重復(fù)如下操作i.計算 Vc = Vc U {Vna+Vnb}d)應(yīng)用改進(jìn)的AdaBoost方法在V。選擇h個最合適的分量存儲于V,3.應(yīng)用改進(jìn)的AdaBoost方法在V,選擇H個最合適的分量得到組合后特征集對于第i類剪紙圖像每一輪對任意兩維特征進(jìn)行組合，并連同原特征一起作為候 選特征。給定N類M幅剪紙圖像Si{l ≤i <M}，其類別標(biāo)記矩陣記為T:T = {tij G {0,1} |1 ≤ i ≤M, 1 ≤ j≤ N}其中，i和j分別用來表示第i幅剪紙圖像和第j個類別；如果第i幅剪紙圖像屬 于第j個類別，則、=1，否則= 0。仍然以第j類剪紙圖像為例來介紹其對應(yīng)的區(qū)別 性特征選擇過程。在訓(xùn)練分類器之前，用表示屬于第j個類別的第i幅剪紙加權(quán)計算簡 單分類器誤差權(quán)重，即W = {w.jll ≤ i ≤ M, 1 ≤ j ≤N}，它表征了簡單分類器對總體分類 的影響，其初始值定義如下
首先應(yīng)用AdaBoost的思想，對組合出來的待選擇特征V (即特征組合過程中的一 種組合特征)中各分量vik構(gòu)造簡單分類器，該分類器定義如下 1 if(sort(\vik - cJk I) < countitj)) 0 if{sorti\vik - cJk I) > count(tj ))其中SOrt(|vik-Cjk|)的表示分量vik與類中心歐氏距離排序后的排名。count (、) 表示第j類樣本數(shù)。利用上述分類器對待選擇特征V進(jìn)行分類，得到分類結(jié)果集 每個特征分量計算訓(xùn)練誤差定義為E = {e = YJlwijx\rik-tlk\)其計算過程中，每次計算需依照以下公式更新權(quán)值w 得到候選特征V各分量分類誤差后，對其按照該分類誤差進(jìn)行排序，選取V中誤差 最小前Z個分量構(gòu)成第j類剪紙圖像的一種區(qū)別性特征。
具體實施方式
如下輸入訓(xùn)練樣本集S= {sJl^k^M}；標(biāo)注矩陣T = {、G {0，1} | 1彡i彡M， 1彡j彡N}；待選擇特征集V = {vik|l彡i彡M，1彡k彡L}輸出特征集V中Z個最具判別性分量步驟1.初始化權(quán)重W = {WiJ | 1彡i彡M，1彡j彡N}2.計算樣本候選特征算術(shù)平均值C = {ck | 1 < k < L}3.從k = 1 to L重復(fù)如下操作a)計算
b)得到分類結(jié)果集R= {rik G {0，1} 11彡i彡M，1彡k彡K}
c)計算訓(xùn)練誤差五 d)更新權(quán)重Wij4.對E升序排序，取前Z個分量構(gòu)成判別性特征所述的通過每一類中所有組合特征的中心特征向量、區(qū)別性特征以及定義其上的 距離計算公式來表征該類步驟包括通過特征組合和選擇可得到每一類的區(qū)別性特征，以 此作為每一類中所有組合特征的類中心特征向量，然后選擇得到的區(qū)別性特征，并利用定義其上的距離計算公式來表征該類；距離計算公式定義為偽對=
，其中t為
測試集樣本特征向量，s為訓(xùn)練集樣本特征向量。據(jù)此，可以計算測試集樣本在判別性特征 上與各類別中心特征的距離，從而實現(xiàn)對剪紙作品的分類識別。所述的計算測試集樣本在區(qū)別性特征上與各類別中心特征的距離，得到剪紙作品 分類識別結(jié)果步驟包括對測試集樣本進(jìn)行預(yù)處理，提取SIFT特征，采用K-Means聚類算法 提取視覺單詞，形成樣本初始特征；然后采用空間金字塔匹配和上下文相關(guān)直方圖結(jié)合的
方法處理樣本初始特征，形成樣本候選特征；利用=權(quán)距離計算公式計算
測試集樣本在區(qū)別性特征上與各類別中心特征的距離，其中t為測試集樣本特征向量，s為 訓(xùn)練集樣本特征向量；最終得到測試集分類識別結(jié)果，比較測試集分類結(jié)果與真實分類結(jié)實施例1 1)構(gòu)造剪紙數(shù)據(jù)集從互聯(lián)網(wǎng)收集了 246幅中國剪紙圖像。根據(jù)這些剪紙藝術(shù)題 材，如圖2所示將數(shù)據(jù)集分為四種類別動物、肖像、人物以及文字。將80%的樣本作為訓(xùn) 練集，20%作為測試集；2)對訓(xùn)練集樣本進(jìn)行訓(xùn)練，具體步驟如下a)對訓(xùn)練集樣本進(jìn)行預(yù)處理，提取SIFT特征，采用K-Means聚類算法提取視覺單 詞，形成樣本初始特征；b)采用空間金字塔匹配和上下文相關(guān)直方圖結(jié)合的方法處理樣本初始特征，形成 樣本候選特征；c)利用基于AdaBoost的特征選擇和組合技術(shù)對樣本候選特征進(jìn)行處理，得到樣 本區(qū)別性特征；d)通過每一類中所有組合特征的類中心特征向量、選擇得到的區(qū)別性特征以及定 義其上的距離計算公式來表征該類。3)對測試集樣本進(jìn)行測試，具體步驟如下a)對測試集樣本進(jìn)行預(yù)處理，提取SIFT特征，采用K-Means聚類算法提取視覺單 詞，形成樣本初始特征；b)采用空間金字塔匹配和上下文相關(guān)直方圖結(jié)合的方法處理樣本初始特征，形成 樣本候選特征；c)計算測試集樣本在區(qū)別性特征上與各類別中心特征的距離，得到測試集分類識 別結(jié)果；4)比較測試集分類結(jié)果與真實分類結(jié)果。
上表給出了本發(fā)明與其他傳統(tǒng)分類識別方法在AUC得分和Macro-Fl得分上的比 較。圖3給出了不同區(qū)別性特征維數(shù)下本發(fā)明與單獨使用空間金字塔匹配以及單獨使用上 下文相關(guān)直方圖的AUC得分比較。其中本發(fā)明稱為SPM-CHAdaBoost。其他傳統(tǒng)分類識別方 法包括1)SPMK:這一方法基于金字塔模型提取剪紙圖像特征，然后采用空間金字塔匹配 算法進(jìn)行分類。2)CH:這一方法基于圖像上下文相關(guān)視覺單詞提取特征，對于得到的特征按照歐 式距離進(jìn)行分類。3)SPM AdaBoost 這一方法先通過金字塔模型提取剪紙圖像特征，然后直接應(yīng)用 AdaBoost進(jìn)行分類。4)CHAdaBoost 這一方法先通過上下文相關(guān)視覺單詞提取剪紙圖像特征，然后直 接應(yīng)用AdaBoost進(jìn)行分類。5)SPM SVM 這一方法先通過金字塔模型提取剪紙圖像特征，然后應(yīng)用線性核函數(shù) 的支持向量機(jī)進(jìn)行分類。6)CH SVM 這一方法先通過上下文相關(guān)視覺單詞方法提取特征，然后應(yīng)用線性核 函數(shù)的支持向量機(jī)進(jìn)行分類。結(jié)果表明本發(fā)明整體分類識別效果好于其他傳統(tǒng)分類識別方法，并且本發(fā)明對 空間金字塔匹配和上下文相關(guān)直方圖的具有良好的改進(jìn)。
權(quán)利要求
一種基于空間約束特征選擇及其組合的中國剪紙識別方法，其特征在于包括如下步驟1)采用空間金字塔匹配和上下文相關(guān)直方圖相結(jié)合的方法提取樣本初始特征，形成樣本候選特征；2)利用基于AdaBoost的特征選擇和組合技術(shù)對樣本候選特征進(jìn)行處理，得到樣本區(qū)別性特征；3)通過每一類中所有組合特征的中心特征向量、區(qū)別性特征以及定義其上的距離計算公式來表征該類；4)計算測試集樣本在區(qū)別性特征上與各類別中心特征的距離，得到剪紙作品分類識別結(jié)果。
2.根據(jù)權(quán)利要求1所述的一種基于空間約束特征選擇及其組合的中國剪紙識別方法， 其特征在于所述的采用空間金字塔匹配和上下文相關(guān)直方圖結(jié)合的方法提取樣本初始特 征，形成樣本候選特征步驟包括對于給定的M幅剪紙圖像Si {1 < i < M}，分別提取128維 的SIFT局部特征，進(jìn)而用K-means聚類得到32個視覺單詞。為了得到這些視覺單詞之間 存在的空間結(jié)構(gòu)性屬性，對訓(xùn)練集樣本通過采樣得到3層金字塔，1代表空間金字塔的第1 層(1彡0)，d代表第1層單元格的總數(shù)，d = Z1XZ1,這樣每幅剪紙圖像總共得到G1-DA 個子塊。對于這些G1-DA個子塊，在其每一個子塊內(nèi)，定義馬爾可夫穩(wěn)態(tài)特性，來計算得 到表示視覺單詞之間共生關(guān)系的伴隨矩陣，這樣，對于每幅圖像，可提取出具有空間約束的 特征維數(shù)為Z，這里Z = Σ ⑷-軸。
3.根據(jù)權(quán)利要求1所述的一種基于空間約束特征選擇及其組合的中國剪紙識別方法， 其特征在于所述的利用基于AdaBoost的特征選擇和組合技術(shù)對樣本候選特征進(jìn)行處理， 得到樣本區(qū)別性特征步驟包括對于第j類剪紙圖像每一輪對任意兩維特征進(jìn)行組合，并 連同原特征一起作為候選特征。給定N類M幅剪紙圖像Si {1 < i < M}，其類別標(biāo)記矩陣記 為T: 其中，i和j分別用來表示第i幅剪紙圖像和第j個類別；如果第i幅剪紙圖像屬于第 j個類別，則、=1，否則= 0，仍然以第j類剪紙圖像為例來介紹其對應(yīng)的區(qū)別性特征 選擇過程，在訓(xùn)練分類器之前，用Wu表示屬于第j個類別的第i幅剪紙加權(quán)計算簡單分類 器誤差權(quán)重，即W = IwijI 1彡i彡M，1彡j彡N}，它表征了簡單分類器對總體分類的影響， 其初始值定義如下 首先應(yīng)用AdaBoost的思想，對組合出來的待選擇特征V(即特征組合過程中的一種組 合特征)中各分量Vik構(gòu)造簡單分類器，該分類器定義如下 1 if(sort(\vik - Cjk I) < Countifj))FSCilc=IO if(sort(\vik - cjk ρ > Countitj))其中SOrt(|vik-Cjk|)的表示分量vik與類中心歐氏距離排序后的排名。Coimtaj)表 示第j類樣本數(shù)。利用上述分類器對待選擇特征V進(jìn)行分類，得到分類結(jié)果集 每個特征分量計算訓(xùn)練誤差定義為 其計算過程中，每次計算需依照以下公式更新權(quán)值WU， 得到候選特征V各分量分類誤差后，對其按照該分類誤差進(jìn)行排序，選取V中誤差最小 前Z個分量構(gòu)成第j類剪紙圖像的一種區(qū)別性特征。
4.根據(jù)權(quán)利要求1所述的一種基于空間約束特征選擇及其組合的中國剪紙識別方法， 其特征在于所述的通過每一類中所有組合特征的中心特征向量、區(qū)別性特征以及定義其上 的距離計算公式來表征該類步驟包括通過特征組合和選擇可得到每一類的區(qū)別性特征， 以此作為每一類中所有組合特征的類中心特征向量，然后選擇得到的區(qū)別性特征，并利用定義其上的距離計算公式來表征該類；距離計算公式定義為站= ，其中t為測試集樣本特征向量，s為訓(xùn)練集樣本特征向量，據(jù)此，可以計算測試集樣本在判別性特征 上與各類別中心特征的距離，從而實現(xiàn)對剪紙作品的分類識別。
5.根據(jù)權(quán)利要求1所述的一種基于空間約束特征選擇及其組合的中國剪紙識別方法， 其特征在于所述的計算測試集樣本在區(qū)別性特征上與各類別中心特征的距離，得到剪紙作 品分類識別結(jié)果步驟包括對測試集樣本進(jìn)行預(yù)處理，提取SIFT特征，采用K-Means聚類算 法提取視覺單詞，形成樣本初始特征；然后采用空間金字塔匹配和上下文相關(guān)直方圖結(jié)合的方法處理樣本初始特征，形成樣本候選特征；利用乃切=-。2距離計算公式計算測試集樣本在區(qū)別性特征上與各類別中心特征的距離，其中t為測試集樣本特征向量，s 為訓(xùn)練集樣本特征向量；最終得到測試集分類識別結(jié)果，比較測試集分類結(jié)果與真實分類結(jié)果。
全文摘要
本發(fā)明公開了一種基于空間約束特征選擇及其組合的中國剪紙識別方法。包括如下步驟1)采用空間金字塔匹配和上下文相關(guān)直方圖相結(jié)合方法提取樣本初始特征，形成樣本候選特征；2)利用基于AdaBoost的特征選擇和組合技術(shù)對候選特征進(jìn)行處理，得到區(qū)別性特征；3)通過每一類中所有組合特征的中心特征向量、區(qū)別性特征以及定義其上的距離計算公式來表征該類；4)計算測試集樣本在區(qū)別性特征上與各類別中心特征的距離，得到剪紙作品分類識別結(jié)果。本發(fā)明有效地將空間金字塔匹配和上下文相關(guān)直方圖這兩種方法結(jié)合起來，克服其在表達(dá)圖像形狀上的局限性，提取和形成具有區(qū)別性的剪紙圖像形狀特征，并在此基礎(chǔ)之上實現(xiàn)剪紙作品分類識別。
文檔編號G06K9/66GK101853398SQ20101016950
公開日2010年10月6日 申請日期2010年5月11日 優(yōu)先權(quán)日2010年5月11日
發(fā)明者莊越挺, 王霏, 邵健 申請人:浙江大學(xué)