技術(shù)特征：

1.一種基于高約束高分散主成分分析網(wǎng)絡(luò)的圖像分類方法，其特征在于，輸入圖像經(jīng)過至少一組卷積層和非線性變換層，以及一個特征池化層，包括如下步驟：

卷積及非線性變化步驟：在所述卷積層中，采用PCA方式從訓(xùn)練集中學(xué)習(xí)到用于每個階段特征提取的多個卷積核；在所述非線性變換層中，利用所述卷積核對于輸入圖像進行非線性變換，經(jīng)過至少一次卷積層和所述非線性變換層的變換后得到特征圖；

特征池化步驟：在所述特征池化層中，引入多尺度特征分析公式，推導(dǎo)出滿足高分散性分布及其尺度縮放因子σ最優(yōu)的取值后，輸出特征；所述高分散性分布以如下式(1)所示，

${\tilde{F}}_{j(x,y)}=\mathrm{\σ}\·\frac{F_{j(x,y)}}{{\Σ}_{p,q=1}^{r,c}\left|\right|F_{j\left(p,q\right)}|{|}_2}---\left(1\right);$

式(1)中，F(xiàn)_j(x,y)和F_j(p,q)分別表示第j張?zhí)卣鲌D在(x,y)和(p,q)處的激活度；r和c表示的是第j張?zhí)卣鲌D的長和寬；σ是尺度縮放因子；表示第j張?zhí)卣鲌D的高分散性特征圖；將高分散性和改進的局部響應(yīng)歸一化層結(jié)合，形成了在高約束高分散主成分分析網(wǎng)絡(luò)下學(xué)習(xí)到的特征；局部相應(yīng)歸一化方程如以下式(6)所示：

${\stackrel{\‾}{F}}_{j\left(x,y\right)}=\frac{{\tilde{F}}_{j\left(x,y\right)}}{{\left(\mathrm{\γ}+\mathrm{\α}{\Σ}_{\max \left(1,j-n/2\right)}^{\min \left({\Π}_{s=1}^{end-1}{V}_s,j+n/2\right)}{\tilde{F}}_{j\left(x,y\right)}\right)}^{\mathrm{\β}}}---\left(6\right);$

式(6)中，表示第k張?zhí)卣鲌D位于(x,y)處的特征值；表示局部響應(yīng)歸一化前第j張?zhí)卣鲌D位于(x,y)處的特征值；n表示在拓撲結(jié)構(gòu)中與第j張?zhí)卣鲌D相鄰的并處于和點(x,y)相同位置的特征圖個數(shù)；V_s是第s階段的特征圖個數(shù)；常數(shù)項γ,α和β的值是通過交叉驗證集決定的；

整合步驟：將所述特征展開為向量，并利用向量組成特征矩陣；

圖像分類步驟：所述特征輸入線性支持向量機中以完成圖像分類任務(wù)。

2.如權(quán)利要求1所述的基于高約束高分散主成分分析網(wǎng)絡(luò)的圖像分類方法，其特征在于，在卷積及非線性變化步驟中，所述特征圖經(jīng)過軟絕對值函數(shù)ε＝10^-8得到非線性變換特征圖，作為特征池化層的輸入。

3.如權(quán)利要求1所述的基于高約束高分散主成分分析網(wǎng)絡(luò)的圖像分類方法，其特征在于，所述輸入圖像經(jīng)過所述高約束高分散主成分分析網(wǎng)絡(luò)處理后，在所述非線性變換層經(jīng)過如下步驟后得到特征圖：

第一變換步驟：以所述輸入圖像作為輸入，利用V₁個卷積核對所述輸入圖像進行卷積，得到V₁張第一特征圖將所述第一特征圖利用軟絕對值函數(shù)做非線性的變換，得到V₁張第一非線性變換圖

第二變換步驟：以所述第一非線性變換圖作為輸入，對所述第一非線性變換圖分別利用V₂個卷積核進行卷積，得到V₁組第二特征圖其中每組第二特征圖中包含V₂張第二特征圖。將V₁×V₂張所述第二特征圖進行非線性變換，得到V₁×V₂張?zhí)卣鲌D$T_{jk}^2,j=1,2,...,V_1,k=1,2,...,V_2.$

4.如權(quán)利要求2所述的基于高約束高分散主成分分析網(wǎng)絡(luò)的圖像分類方法，其特征在于，在特征池化步驟中，所述特征圖經(jīng)過以下步驟得到特征：

歸一化步驟：將所述特征圖中每個位置上的值映射到0或1，并對V₁組中的每張第二特征圖賦予不同的權(quán)重，$H_j={\Σ}_{j=1,k=1}^{j=V_1,k=V_2}{2}^{k-1}*\mathrm{sgn}\left(T_{jk}^2\right),j\∈1,2,...,V_1,$并求得每組第二特征圖的歸一化的直方圖${\stackrel{\‾}{H}}_j=\frac{H_j-min\left(H_j\right)}{\max \left(H_j\right)-\min \left(H_j\right)}\×255,j=1,2,...,V_1,$其中歸一化的直方圖中的每個像素的范圍是[0,255]之間的整數(shù)在后續(xù)的處理中每個整數(shù)被視為單獨的詞；

多尺度特征分析步驟：構(gòu)建在不同尺度0,1，…，L下的一系列網(wǎng)格，總共構(gòu)建有個小塊；統(tǒng)計在尺度l下每個小塊中詞i出現(xiàn)的次數(shù)；將串聯(lián)起來組成特征圖，所述特征圖如以下式(9)所示：

$F_j=\left[\begin{array}{c}{\stackrel{\‾}{H}}_j^0\left(1\right)\\ {\stackrel{\‾}{H}}_j^1\left(2\right)\\ {\stackrel{\‾}{H}}_j^1\left(3\right)\\ {\stackrel{\‾}{H}}_j^2\left(4\right)\\ {\stackrel{\‾}{H}}_j^2\left(5\right)\\ \begin{array}{c}.\\ .\\ .\end{array}\\ {\stackrel{\‾}{H}}_j^L\left(G\right)\end{array}\right]\∈R^{G\×256},j=1,2,...,V_1;---\left(9\right)$

式(9)中，表示第j張歸一化特征圖在分辨率l下第i塊網(wǎng)格中[0,255]每個整數(shù)出現(xiàn)的次數(shù)；

高約束高分散步驟：利用推導(dǎo)出滿足高分散性分布公式和局部響應(yīng)歸一化約束層對特征圖進行進一步的處理，其中r,c分別表示特征圖的長和寬，γ,α和β的值是通過交叉驗證集決定的。

5.如權(quán)利要求1所述的基于高約束高分散主成分分析網(wǎng)絡(luò)的圖像分類方法，其特征在于，所述整合步驟中，將展開成向量，得到特征向量，特征向量如以下公式(10)所示：

$F={\[vec\left({\stackrel{\‾}{F}}_1\right),vec\left({\stackrel{\‾}{F}}_2\right),...,vec\left({\stackrel{\‾}{F}}_p\right)\]}^T,p={\Π}_{s=1}^{end-1}{V}_s---\left(10\right);$

式(10)中，是特征池化得到的第j張高約束高分散性特征圖；表示將第j張高約束高分散性特征圖展開成向量；表示第end-1階段的p張?zhí)卣鲌D。

6.如權(quán)利要求1所述的基于高約束高分散主成分分析網(wǎng)絡(luò)的圖像分類方法，其特征在于，所述尺度縮放因子$\mathrm{\σ}=\sqrt{max\left(j\right)\×r\×c}.$

7.如權(quán)利要求1所述的基于高約束高分散主成分分析網(wǎng)絡(luò)的圖像分類方法，其特征在于，在圖像分類步驟中，所述輸入圖像經(jīng)過以下步驟得到分類結(jié)果:

輸入步驟：將特征向量輸入到SVM中，選擇線性核函數(shù)；

訓(xùn)練步驟：將數(shù)據(jù)庫中的一部分劃分為訓(xùn)練集并給定對應(yīng)訓(xùn)練樣本的標(biāo)簽，按照一對一法訓(xùn)練SVM模型；

測試步驟：將數(shù)據(jù)庫中除去訓(xùn)練集的部分作為測試集，利用訓(xùn)練集得到的SVM模型參數(shù)，將特征向量F作為SVM的輸入特征向量，根據(jù)投票原則，得票最多的類別即為該未知測試樣本的類別。