來(lái)，具有易于實(shí)現(xiàn)，速度快，泛化能力強(qiáng) 的特點(diǎn)。極限學(xué)習(xí)機(jī)的速度非?？?，訓(xùn)練過(guò)程只需要求出輸出權(quán)重。相比傳統(tǒng)算法計(jì)算單 隱藏層神經(jīng)網(wǎng)絡(luò)，極大地減少了運(yùn)算復(fù)雜度，節(jié)省了運(yùn)算時(shí)間。傳統(tǒng)的基于梯度的算法需要 面對(duì)諸如局部最小，合適的學(xué)習(xí)率、過(guò)擬合等問(wèn)題，而極限學(xué)習(xí)機(jī)一步到位直接構(gòu)建起單隱 藏層反饋神經(jīng)網(wǎng)絡(luò)，避免了這些難以處理的棘手問(wèn)題。
[0040] 如圖2所示，本發(fā)明實(shí)施例基于極限學(xué)習(xí)機(jī)的掃描證書(shū)圖像分類(lèi)方法包括如下步 驟：
[0041] A :輸入掃描證書(shū)圖像數(shù)據(jù)樣本庫(kù)，進(jìn)行預(yù)處理；
[0042] B :對(duì)經(jīng)過(guò)預(yù)處理的證書(shū)圖像利用Hough變換進(jìn)行圓章定位，得到圓章外接矩形區(qū) 域，提取圓章區(qū)域的HSV顏色特征向量及圖像的長(zhǎng)寬比向量作為特征數(shù)據(jù)；
[0043] C :利用掃描證書(shū)圖像樣本庫(kù)特征數(shù)據(jù)訓(xùn)練極限學(xué)習(xí)機(jī)；
[0044] D :輸入待分類(lèi)圖像經(jīng)過(guò)A，B步驟處理，利用經(jīng)過(guò)訓(xùn)練的極限學(xué)習(xí)機(jī)完成圖像分 類(lèi)。
[0045] 根據(jù)極限學(xué)習(xí)機(jī)的理論，當(dāng)隱藏神經(jīng)元個(gè)數(shù)L與訓(xùn)練樣本的個(gè)數(shù)N -致時(shí)，求出T =HMl. 9)就能完成整個(gè)神經(jīng)網(wǎng)絡(luò)的構(gòu)建。
[0046] 大多數(shù)情況下，隱藏神經(jīng)元個(gè)數(shù)L遠(yuǎn)小于訓(xùn)練樣本的個(gè)數(shù)N，這時(shí)不存在使式 (1.9)成立的解。轉(zhuǎn)而求使損失函數(shù)C最小的解，/? = argmin||T-H//|i,,. C1.10)。
[0047] 根據(jù)極小范數(shù)解準(zhǔn)則（同時(shí)滿(mǎn)足minllM-TlI和π?η||β ||)，則式（LlO) 存在如下極小范數(shù)選最小二乘解：/J = H+T (1.1.D。其中，H+是隱藏層響應(yīng)矩陣H的 Moore-Penrose增廣逆。根據(jù)嶺回歸原理，我們通常在計(jì)算H+時(shí)，在H tH或HHt的對(duì)角線(xiàn)上 添加一個(gè)小的正數(shù)λ使得整個(gè)系統(tǒng)更加穩(wěn)定，嶺回歸版的??可用如下等式表示：
[0048] H+= (ΗΤΗ+λ I) 1Ht, L > N (1. 12)或者 H+= H t (HHt+λ I) \ L 彡 N (1. 13)
[0049] 當(dāng)>4十算完畢時(shí)，一個(gè)單隱藏層反饋神經(jīng)網(wǎng)絡(luò)就完成了。對(duì)于一個(gè)標(biāo)簽未知的測(cè) 試樣本X，我們可以通過(guò)單隱藏層反饋神經(jīng)網(wǎng)絡(luò)推測(cè)它的標(biāo)簽，它的標(biāo)簽可以用下式推測(cè)：
[0050] = (丨.丨4) 7. h(x) = [G^1, t^x)-"G^, bL,x)]是神經(jīng)網(wǎng)絡(luò)隱藏層關(guān)于 X的響應(yīng)。
[0051] 本分類(lèi)方法的目標(biāo)是將待分類(lèi)圖像的圓章 HSV特征向量作為輸入值，得到證書(shū)圖 像最可能的類(lèi)別。根據(jù)圖像分類(lèi)經(jīng)驗(yàn)及實(shí)踐證明，極限學(xué)習(xí)機(jī)具有速度快，泛化能力強(qiáng)，分 類(lèi)準(zhǔn)確率高的特點(diǎn)。本方法選用極限學(xué)習(xí)機(jī)進(jìn)行掃描證書(shū)圖像分類(lèi)。
[0052] 本實(shí)施例中，步驟A中預(yù)處理是利用現(xiàn)有噪聲濾除和傾斜校正方法進(jìn)行預(yù)處理；
[0053] 本實(shí)施例中，在所述步驟B中對(duì)經(jīng)過(guò)預(yù)處理的證書(shū)圖像利用現(xiàn)有圓章定位的方 法，對(duì)定位得到的圓章所在的外接矩形進(jìn)行分割提取，得到圓章區(qū)域，提取圓章區(qū)域的HSV 顏色特征向量；其具體操作步驟如下：
[0054] 1)利用現(xiàn)有圓章定位的方法，對(duì)定位得到的圓章所在的外接矩形進(jìn)行分割提取， 得到圓章區(qū)域；
[0055] 2)將色度H、飽和度S及亮度V三個(gè)分量分別非均勻量化為8份、4份和4份：
[0057] 這樣圓章區(qū)域的HSV空間被分成XH+Xs+Xvf區(qū)間，X H、Xs、Xv分別是H、S及V的量 化級(jí)數(shù)，于是我們得到一個(gè)十六維的顏色特征向量，加上掃描圖像圖片長(zhǎng)寬比，最終提取一 個(gè)十七維特征向量；
[0058] 3)為了便于計(jì)算，經(jīng)過(guò)反復(fù)試驗(yàn)，對(duì)所有特征值提取一位數(shù)的整數(shù)能得到最好的 效果。本方法選取的十七維特征用XM，Xkl...Xkl6表示，取值范圍為[0,9]之間的整數(shù)。
[0059] 本實(shí)施例中，步驟C中訓(xùn)練極限學(xué)習(xí)機(jī)，一步到位構(gòu)建神經(jīng)網(wǎng)絡(luò)。極限學(xué)習(xí)機(jī)的速 度非?？?，訓(xùn)練過(guò)程只需要求出輸出權(quán)重。其具體操作步驟如下：
[0060] 1)根據(jù)神經(jīng)網(wǎng)絡(luò)基本模型及極限學(xué)習(xí)機(jī)的特點(diǎn)，隨機(jī)生成輸入權(quán)重W1與偏置b y i = 1··· L ;
[0061] 2)根據(jù)公式
汁算訓(xùn)練樣本的特征在隱藏層的響應(yīng)H ;
[0062] 3)根據(jù)公式 ^ = 計(jì)算 β，其中 H+= (ΗτΗ+λΙ) 1HU >N (I. 12)或者
[0063] H+= Ht (ΗΗΤ+λ I) L ^ N (1.13)。
[0064] 當(dāng)//汁算完畢時(shí)，一個(gè)單隱藏層反饋神經(jīng)網(wǎng)絡(luò)就完成了。
[0065] 本實(shí)施例中，步驟D中輸入待分類(lèi)圖像經(jīng)過(guò)A，B步驟處理，利用經(jīng)過(guò)訓(xùn)練的極限學(xué) 習(xí)機(jī)完成圖像分類(lèi)，
[0066] 1)待分類(lèi)圖像經(jīng)過(guò)A，B步驟處理；
[0067] 2)待分類(lèi)圖像的特征數(shù)據(jù)作為測(cè)試數(shù)據(jù)輸入極限學(xué)習(xí)機(jī)，極限學(xué)習(xí)機(jī)輸出分類(lèi)結(jié) 果，對(duì)于一個(gè)類(lèi)型未知的測(cè)試樣本X，我們可以通過(guò)單隱藏層反饋神經(jīng)網(wǎng)絡(luò)推測(cè)它的類(lèi)型， 它的類(lèi)型可以用下式推測(cè)：./; = ( 1.14)，h(x) = [Gh1, Id1iX)…G(wL, bL,x)]是 神經(jīng)網(wǎng)絡(luò)隱藏層關(guān)于X的響應(yīng)。
[0068] 通過(guò)試驗(yàn)得到的結(jié)果如下表：
[0070] 本發(fā)明實(shí)施例為基于極限學(xué)習(xí)機(jī)的掃描證書(shū)圖像分類(lèi)方法，通過(guò)對(duì)經(jīng)過(guò)預(yù)處理的 證書(shū)圖像利用Hough變換進(jìn)行圓章定位、分割、大小調(diào)整，提取圓章區(qū)域的HSV空間的顏色 特征向量及圖像長(zhǎng)寬比；根據(jù)證書(shū)圖像樣本數(shù)據(jù)庫(kù)，建立極限學(xué)習(xí)機(jī)；輸入待分類(lèi)圖像，判 斷圖片的分類(lèi)；通過(guò)本分類(lèi)方法，能簡(jiǎn)單快速地對(duì)證書(shū)圖像進(jìn)行分類(lèi)，有效提高證書(shū)圖像檢 索的效率。
【主權(quán)項(xiàng)】
1. 一種基于極限學(xué)習(xí)機(jī)的掃描證書(shū)圖像分類(lèi)方法，其特征在于，包括如下步驟： A:輸入掃描證書(shū)圖像數(shù)據(jù)樣本庫(kù)，進(jìn)行預(yù)處理； B:對(duì)經(jīng)過(guò)預(yù)處理的證書(shū)圖像利用Hough變換進(jìn)行圓章定位，得到圓章外接矩形區(qū)域， 提取圓章區(qū)域的HSV顏色特征向量及圖像的長(zhǎng)寬比向量作為特征數(shù)據(jù)； C:利用掃描證書(shū)圖像樣本庫(kù)特征數(shù)據(jù)訓(xùn)練極限學(xué)習(xí)機(jī)； D:輸入待分類(lèi)圖像經(jīng)過(guò)A，B步驟處理，利用經(jīng)過(guò)訓(xùn)練的極限學(xué)習(xí)機(jī)完成圖像分類(lèi)。2. 根據(jù)權(quán)利要求1所述的基于極限學(xué)習(xí)機(jī)的掃描證書(shū)圖像分類(lèi)方法，其特征在于，所 述步驟A中預(yù)處理是利用現(xiàn)有噪聲濾除和傾斜校正方法進(jìn)行預(yù)處理。3. 根據(jù)權(quán)利要求1所述的基于極限學(xué)習(xí)機(jī)的掃描證書(shū)圖像分類(lèi)方法，其特征在于，所 述步驟B具體操作步驟如下： B1利用現(xiàn)有圓章定位的方法，對(duì)定位得到的圓章所在的外接矩形進(jìn)行分割提取，得到 圓章區(qū)域； R9您伍齒褕知齒S75宮齒V二+公醫(yī)公卻丨並構(gòu)勺醫(yī)仆.先8沿_ 4沿知4沿.這樣圓章區(qū)域的HSV空間被分成XH+Xs+Xvf區(qū)間，XH、Xs、Xv分別是H、S及V的量化級(jí) 數(shù)，于是得到一個(gè)十六維的顏色特征向量，加上掃描圖像圖片長(zhǎng)寬比，最終提取一個(gè)十七維 特征向量； B3對(duì)所有特征值提取一位數(shù)的整數(shù)，選取的十七維特征用Xk。，Xkl. . .Xkl6表示，取值范 圍為[〇,9]之間的整數(shù)。4. 根據(jù)權(quán)利要求1所述的基于極限學(xué)習(xí)機(jī)的掃描證書(shū)圖像分類(lèi)方法，其特征在于，所 述步驟C具體操作步驟如下： C1根據(jù)神經(jīng)網(wǎng)絡(luò)基本模型及極限學(xué)習(xí)機(jī)的特點(diǎn)，隨機(jī)生成輸入權(quán)重Wl與偏置byi= ]_"?L; C2根據(jù)公式：十算訓(xùn)練樣本的特征在隱藏層的響應(yīng)H，其中h(x)= [gW?x+bDg(w2 ?x+b2). . .g(wL ?x+bj)]，g為神經(jīng)元的激勵(lì)函數(shù)； C3根據(jù)公式/hHl,計(jì)算輸出權(quán)重矩陣0，其中H+= (HTH+M)iHT，L>N或者H+ =HT(HHT+AI) \L彡N，H+是隱藏層響應(yīng)矩陣H的Moore-Penrose增廣逆，在HTH或HHT的對(duì) 角線(xiàn)上添加一個(gè)小的正數(shù)A以使得整個(gè)系統(tǒng)更加穩(wěn)定； 當(dāng)計(jì)算完畢時(shí)，一個(gè)單隱藏層反饋神經(jīng)網(wǎng)絡(luò)就完成了。5.根據(jù)權(quán)利要求4所述的基于極限學(xué)習(xí)機(jī)的掃描證書(shū)圖像分類(lèi)方法，其特征在于，所 述步驟D具體操作步驟如下： D1待分類(lèi)圖像經(jīng)過(guò)A，B步驟處理； D2待分類(lèi)圖像的特征數(shù)據(jù)作為測(cè)試數(shù)據(jù)輸入極限學(xué)習(xí)機(jī)，極限學(xué)習(xí)機(jī)輸出分類(lèi)結(jié)果， 對(duì)于一個(gè)類(lèi)型未知的測(cè)試樣本x，通過(guò)單隱藏層反饋神經(jīng)網(wǎng)絡(luò)推測(cè)它的類(lèi)型，它的類(lèi)型可以 用下式推測(cè)是神經(jīng)網(wǎng)絡(luò)隱藏層關(guān)于x 的響應(yīng)。
【專(zhuān)利摘要】本發(fā)明公開(kāi)了一種基于極限學(xué)習(xí)機(jī)的掃描證書(shū)圖像分類(lèi)方法，包括如下步驟：輸入掃描證書(shū)圖像數(shù)據(jù)樣本庫(kù)，進(jìn)行預(yù)處理；對(duì)經(jīng)過(guò)預(yù)處理的證書(shū)圖像利用Hough變換進(jìn)行圓章定位，得到圓章外接矩形區(qū)域，提取圓章區(qū)域的HSV顏色特征向量及圖像的長(zhǎng)寬比向量作為特征數(shù)據(jù)；利用掃描證書(shū)圖像樣本庫(kù)特征數(shù)據(jù)訓(xùn)練極限學(xué)習(xí)機(jī)；輸入待分類(lèi)圖像經(jīng)過(guò)A，B步驟處理，利用經(jīng)過(guò)訓(xùn)練的極限學(xué)習(xí)機(jī)完成圖像分類(lèi)。本發(fā)明將待分類(lèi)圖像的圓章HSV特征向量作為輸入值，得到證書(shū)圖像最可能的類(lèi)別。根據(jù)圖像分類(lèi)經(jīng)驗(yàn)及實(shí)踐證明，極限學(xué)習(xí)機(jī)具有速度快，泛化能力強(qiáng)，分類(lèi)準(zhǔn)確率高的特點(diǎn)。
【IPC分類(lèi)】G06K9/66, G06K9/62
【公開(kāi)號(hào)】CN105117732
【申請(qǐng)?zhí)枴緾N201510442275
【發(fā)明人】劉獻(xiàn)如, 張昊, 龍軍
【申請(qǐng)人】中南大學(xué)
【公開(kāi)日】2015年12月2日
【申請(qǐng)日】2015年7月24日