基于Gist特征與極限學(xué)習(xí)機(jī)的場景分類方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及場景圖像特征提取方法以及極限學(xué)習(xí)機(jī)分類方法。具體的說，就是利 用提取圖像的GiSt全局特征，然后利用經(jīng)過樣本訓(xùn)練的極限學(xué)習(xí)機(jī)對圖像分類的方法。
【背景技術(shù)】
[0002] 場景分類是計算機(jī)視覺圖片分類的重要分支。場景描述與理解的概念，在2006年 的MIT場景理解研討會上得到了進(jìn)一步明確，同時會議上還指出，場景分類是一個新的有 前途的研宄方向，其主要應(yīng)用在四個主要方面：圖像/視頻檢索，計算機(jī)視覺任務(wù)，移動機(jī) 器人以及圖像增強。
[0003] 基于視覺的場景分類方法大致可以劃分為3類：基于對象的場景分類、基于區(qū)域 的對象分類以及基于上下文的場景分類?；谝曈X的場景分類方法大部分都是以對象為單 位的，典型的基于對象的場景分類方法有分割、特征重組和對象識別等步驟。這種方法的弊 端是底層的錯誤會隨著處理的深入而被放大。另一種比較常見的場景分類方法則是基于區(qū) 域的。該類方法的關(guān)鍵在于如何將圖片可靠的分割成區(qū)域，并且要求每個區(qū)域都有其本身 的特征。此類方法面對分割時并不那么靈活，這在非約束的環(huán)境下尤為突出，因此，很少有 完全基于區(qū)域的場景分類方法?；谏舷挛牡膱鼍胺诸愂橇硪环N主流的場景分類方法，這 種方法的特點在于忽略了傳統(tǒng)的場景分類處理步驟，將輸入圖片作為一個特征，并提取可 以概括圖像統(tǒng)計或語義的低維特征。該類方法的目的即為提高場景分類的魯棒性。因為自 然圖片中很容易摻雜一些隨機(jī)噪聲，這類噪聲會對局部處理造成災(zāi)難性的影響，而對于全 局圖像卻可以通過平均數(shù)來降低這種影響。基于上下文的方法，通過識別全局對象，而非場 景中的小對象集合或者準(zhǔn)確的區(qū)域邊界，因此不需要處理小的孤立區(qū)域的噪聲和低級圖 片的變化，其解決了分割和目標(biāo)識別分類方法遇到的問題。
[0004] Gist特征是一種生物啟發(fā)特征，該特征模擬人的視覺提取圖像中粗略但簡明扼要 的上下文信息。場景Gist(GG)特征是通過多尺度多方向的Gabor濾波器組對場景圖像濾 波后得到的輪廓信息。
[0005] 極限學(xué)習(xí)機(jī)是對單隱層前饋神經(jīng)網(wǎng)絡(luò)研宄中提出的一種新的單隱含層前饋神經(jīng) 網(wǎng)絡(luò)。該神經(jīng)網(wǎng)絡(luò)對于輸入層與隱含層間的連接權(quán)值及隱含層神經(jīng)元的偏置沒有任何要 求，且在訓(xùn)練過程中這兩種參數(shù)無需調(diào)整，只需要設(shè)置隱含層神經(jīng)元的個數(shù)，便可以獲得唯 一的最優(yōu)解。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明所要解決的問題是面向場景分類應(yīng)用需要，設(shè)計一種高性能、高可擴(kuò)展的 自主場景分類方法，為計算機(jī)視覺的進(jìn)一步研宄和應(yīng)用提供基礎(chǔ)。
[0007] 本發(fā)明中的場景分類算法包括場景特征提取和根據(jù)特征學(xué)習(xí)分類兩個過程。具體 的設(shè)計方案如下：
[0008] A圖像Gist特征提取
[0009] Gist特征是一種全局特征，包括了自然度，開放度，粗略度，展開度和崎嶇度五種 自然屬性。可以用來對圖像產(chǎn)生一個綜合的認(rèn)知，避免了設(shè)置各種參數(shù)和門限。而且圖像 的Gist特征是基于Gabor小波提取的，研宄發(fā)現(xiàn)Gabor小波可以很好的模擬人的視覺神經(jīng) 細(xì)胞，在提取圖像信息時能發(fā)揮重要的作用。本發(fā)明采用Gabor小波對場景圖像進(jìn)行卷積 操作，然后提取Gist向量作為場景圖像的特征描述，將此特征描述用于接下來的場景分類 當(dāng)中，具體過程為：
[0010] -幅大小為rXc的灰度圖像f(x, y)用m尺度η方向的Gabor濾波器組進(jìn)行濾 波，即分別同η。個通道的濾波器進(jìn)行卷積，其中η。= mXn，再級聯(lián)卷積的結(jié)果，即為圖像 Gist(IG)特征，將一副大小為rXc的灰度圖像f(x, y)劃分成npXnp的規(guī)則網(wǎng)格，各網(wǎng)格 塊按行依次記作Pi，其中i = 1，. . .，ng;每個網(wǎng)格塊大小為r' X c'，分別用η。個通道的濾波 器對圖像進(jìn)行卷積濾波，則每個網(wǎng)格塊各通道濾波后，級聯(lián)的結(jié)果稱為塊Gist (PG)特征， 對Gp (Gp表示每個網(wǎng)格塊的Gist (PG)特征）塊各通道濾波結(jié)果取均值后按行組合的結(jié)果稱 為全局Gist (GG)特征，即（Ge是全局Gist (GG)特征）
【主權(quán)項】
1.基于Gist特征與極限學(xué)習(xí)機(jī)的場景分類方法，其特征在于包括 W下步驟；A圖像Gist特征提?。? 采用Gabor小波對場景圖像進(jìn)行卷積操作，然后提取Gist向量作為場景圖像的特征描 述，將此特征描述用于接下來的場景分類當(dāng)中，具體過程為： 一幅大小為rXc的灰度圖像f (X，y)用m尺度n方向的G油or濾波器組進(jìn)行濾波，即 分別同n。個通道的濾波器進(jìn)行卷積，其中n。= mXn，再級聯(lián)卷積的結(jié)果，即為圖像Gist特 征，將一副大小為rXc的灰度圖像f(x，y)劃分成npXnp的規(guī)則網(wǎng)格，各網(wǎng)格塊按行依次記 作Pi,其中i = 1，. . .，rv每個網(wǎng)格塊大小為r X C'，分別用n。個通道的濾波器對圖像進(jìn)行 卷積濾波，則每個網(wǎng)格塊各通道濾波后，級聯(lián)的結(jié)果稱為塊Gist特征，用護(hù)表示每個網(wǎng)格 塊的Gist特征，對護(hù)塊各通道濾波結(jié)果取均值后按行組合的結(jié)果為全局Gist特征，用G 6 表示全局Gist特征；
(1) 式中
' GG的維數(shù)為ncXrv B極限學(xué)習(xí)機(jī)對Gist特征進(jìn)行學(xué)習(xí)完成圖像分類： 設(shè)P個不同的訓(xùn)練樣本為（X。ti)，其中Xi= [X。，X。，. . .，xJTe R巧t 1 = [tu，ti2，...，tjTG R-，i 二 i，2，...，n，學(xué)習(xí)網(wǎng)絡(luò)建模為；
其中，M是隱藏節(jié)點的個數(shù)，g( ?)為激勵函數(shù)，選用hardlim或hardlims, Wj = [w…Wj2,. . .，WjJTE Rn是輸入節(jié)點與第j個隱藏節(jié)點的連接權(quán)重，b j e R是第j個隱藏節(jié)點 的偏置，0 j= [ 0 jl, 0 j2, . . .，0 jm]Te Rm是輸出節(jié)點與第j個隱藏節(jié)點的連接權(quán)重，W j 'Xi 表示W(wǎng)j和X i的內(nèi)積； 輸入連接權(quán)重和隱層節(jié)點偏置（W，b)可隨機(jī)選擇，通過學(xué)習(xí)找到特定的= 1，2，...，M使得分類總誤差最?。? mini I e I |2，S. t. ￡ 1= t i_〇i，i = 1, 2, . . . , N 做其中，e ;= [e。，e。，...，ejT是第i個樣本輸出值與真實值間的差值；做式中，〇i是輸出值，是 Gist特征輸入后網(wǎng)絡(luò)輸出的值，ti是真實值，是類別的值； 假設(shè)合理訓(xùn)練的隱層前饋神經(jīng)網(wǎng)絡(luò)SLFN能夠無誤差地逼近N個訓(xùn)練樣本，式（3)改寫 為： H 0 = T 或 I IH 0 -T I I = 0 (4) 其中，


H稱為神經(jīng)網(wǎng)絡(luò)的隱層輸出矩陣，H的第i行對應(yīng)于所有隱藏節(jié)點對第i個訓(xùn)練輸入Xi 的輸出向量，而H中的第j列是第j個隱層節(jié)點對應(yīng)于輸入樣本Xk，k = 1，2,. . .，N的輸出 向量； 求解如下線性方程組的廣義最小二乘獲得^ :
(6) 上述線性方程組的廣義最小二乘解為
(7) 其中H+=化巧)-咱T為隱層輸出矩陣H的Moore-Penrose廣義逆； 得到了 ^后，測試網(wǎng)絡(luò)就形成了，然后輸入測試圖片的Gist特征，進(jìn)行測試分類，代入 H0 =0,求輸出值0,與各類設(shè)置的類別的標(biāo)簽對比進(jìn)行歸類，確定所屬類別。

【專利摘要】一種基于Gist特征與極限學(xué)習(xí)機(jī)的場景分類方法，先提取圖像的Gist特征，采用Gabor小波對場景圖像進(jìn)行卷積操作，然后提取Gist向量作為場景圖像的特征描述，將此特征描述用于場景分類當(dāng)中。本發(fā)明利用Gist特征對圖像產(chǎn)生一個綜合的認(rèn)知、綜合描述了自然度，開放度，粗略度，展開度和崎嶇度五種自然屬性，相比較傳統(tǒng)的場景分類方法可以避免根據(jù)各種實際情況設(shè)置不同的參數(shù)和門限。解決了傳統(tǒng)分類中在變化情況較多條件下必須不斷調(diào)整分類門限的技術(shù)難題，運算速度快且具有很好的泛化能力，擴(kuò)展性很好，隨著分類情況復(fù)雜度提高、規(guī)模的擴(kuò)大表現(xiàn)出來的優(yōu)越性越好。
【IPC分類】G06K9-66, G06K9-46, G06K9-62
【公開號】CN104598920
【申請?zhí)枴緾N201410840024
【發(fā)明人】高穎慧, 王魯平, 李飚, 王平, 梁楹, 張路平, 趙明, 范明喆
【申請人】中國人民解放軍國防科學(xué)技術(shù)大學(xué)
【公開日】2015年5月6日
【申請日】2014年12月30日