界和下界對應(yīng)樣本的拉格朗日乘子，進(jìn)一步地，利用核函數(shù) 代替上式高維特征向量的內(nèi)積：
[0049]
[0050] 和
[0051]
[0052] 結(jié)合Vapnik的相關(guān)理論，可得到Type-2模糊支持向量機(jī)模型上界和下界的決策 函數(shù)如下：
[0053]
[0054]
[0055]
[0056] 其中，sgn為符號函數(shù)，SVs為對應(yīng)于非零拉格朗日乘子的支持向量，K( ·，·）為 滿足Mercer條件的核函數(shù)，為得到場景圖像的類別，可利用IT2FSVM分類模型上界和下界 決策函數(shù)的均值作為Type-2模糊支持向量機(jī)分類模型最終的分類結(jié)果：
[0057]
[0058] 采用訓(xùn)練好的Type-2模糊支持向量機(jī)分類模型乃用于未知類別的場景圖 像分類識別。
[0059] 采用上述技術(shù)方案所產(chǎn)生的有益效果在于：本發(fā)明采用改進(jìn)型模糊支持向量機(jī) 方法來進(jìn)行場景圖像分類。支持向量機(jī)方法具有較好的推廣能力，同時(shí)能巧妙解決維數(shù)問 題、不容易陷入局部最小值等優(yōu)點(diǎn)，而本發(fā)明中改進(jìn)型的模糊支持向量機(jī)方法，采用區(qū)間 Type-2模糊集對不確定信息進(jìn)行描述和處理，構(gòu)建了區(qū)間Type-2模糊支持向量機(jī)分類模 型，以提高不確定條件下場景圖像分類的精確性和魯棒性。在場景圖像中提取灰度特征、邊 緣特征和方向特征，構(gòu)建了場景圖像分類特征向量，其維數(shù)較大，則通過改進(jìn)的FPCA進(jìn)行 降維。實(shí)驗(yàn)結(jié)果表明，基于區(qū)間Type-2模糊支持向量機(jī)的場景圖像分類方法能夠提高場景 圖像分類的識別率及識別速度。
【附圖說明】
[0060] 圖1為場景圖像分類識別流程圖；
[0061] 圖2為本發(fā)明所述方法的流程圖；
[0062] 圖3為IT2FSVM模型的優(yōu)化流程圖。
【具體實(shí)施方式】
[0063] 下面結(jié)合本發(fā)明實(shí)施例中的附圖，對本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整 地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明的一部分實(shí)施例，而不是全部的實(shí)施例。基于 本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他 實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。
[0064] 在下面的描述中闡述了很多具體細(xì)節(jié)以便于充分理解本發(fā)明，但是本發(fā)明還可以 采用其他不同于在此描述的其它方式來實(shí)施，本領(lǐng)域技術(shù)人員可以在不違背本發(fā)明內(nèi)涵的 情況下做類似推廣，因此本發(fā)明不受下面公開的具體實(shí)施例的限制。
[0065] 場景圖像分類過程框架圖如圖1，先進(jìn)行場景圖像采集，然后場景檢測，若未檢測 到則識別結(jié)束，否則，進(jìn)一步進(jìn)行場景定位，然后對預(yù)處理后的圖像進(jìn)行特征提取以便用于 場景分類識別。
[0066] 本發(fā)明公開了一種基于區(qū)間Type-2模糊支持向量機(jī)（IntervalType_2Fuzzy SupportVectorMachine，簡稱IT2FSVM)的場景圖像分類方法，所述分類方法的總體流程 圖如圖2所示，具體包括如下步驟：
[0067] 步驟1、圖像預(yù)處理
[0068] 圖像預(yù)處理是指在對圖像進(jìn)行特征抽取、特征降維和分類前所進(jìn)行的處理，其主 要目的是消除圖像中無關(guān)的信息，回復(fù)有用的信息并且增強(qiáng)有個(gè)信息的可檢測性和最大限 度的簡化數(shù)據(jù)。因此，我們要對采集圖像進(jìn)行一系列處理，最后得到標(biāo)準(zhǔn)圖像。
[0069] 步驟2、特征提取
[0070] 根據(jù)現(xiàn)有的特征提取算法，特征提取主要分為五步，具體流程如下：
[0071] 步驟21)劃分場景圖像
[0072] 對處理圖像進(jìn)行分塊，提取場景圖像分類特征向量時(shí)需要對圖像進(jìn)行分塊，但分 塊太多會(huì)導(dǎo)致分類特征向量維數(shù)過大，導(dǎo)致計(jì)算復(fù)雜度提高，分塊太少又會(huì)失去統(tǒng)計(jì)的意 義。而有效地提取分類特征向量中有利于分類的分量不僅可以排除一些冗余分量，減少干 擾，而且可以大大降低維數(shù)，提高匹配速度，這里將場景圖像劃分為4X4子圖。
[0073] 步驟22)對各子圖提取灰度特征、邊緣特征和方向特征
[0074] 灰度特征是圖像分類中應(yīng)用最廣泛的特征之一，采用Center-surround算子計(jì)算 灰度分量在不同尺度上的視覺反差，其計(jì)算公達(dá)式為：
[0075]
[0076] 其中，發(fā)為Center-surround操作，c和s分別為場景圖像濾波輸出的細(xì)尺度和粗 尺度，□ (c)為對應(yīng)尺度為c的圖像灰度特征。這里取c= 2, 3, 4,s=c+3或s=c+4,由 此得到與2-5, 2-6, 3-6, 3-7, 4-7和4-8六個(gè)尺度對應(yīng)的六個(gè)灰度特征圖。類似上述的方法 可得到場景圖像的六個(gè)邊緣特征圖。場景圖像的方向特征圖可通過圖像與Gabor濾波器的 卷積運(yùn)算得到，其計(jì)算表達(dá)式如下：
[0077]
[0078] 其中，Gv0 (X，z)為Gabor濾波器，Κχ,ζ)為場景圖像在位置（X，z)處的灰度特征， ν和Θ= {〇°，45°，90°，135°}分別表示濾波算子的尺度和方向。這里可取兩組不 同的算子，在濾波四個(gè)不同方向上就可得到八個(gè)方向特征圖。至此，我們已得到場景圖像的 20幅特征子圖。
[0079] 步驟23)計(jì)算特征子圖的均值和方差，構(gòu)建場景圖像分類特征向量
[0080] 以灰度特征圖為例計(jì)算每個(gè)特征子圖的均值和方差，其計(jì)算表達(dá)式如下：
[0081]
[0082]
[0083] 其中，WH表示場景圖像的尺寸。邊緣特征子圖和方向特征子圖的計(jì)算方法類似， 每個(gè)特征圖由16個(gè)方塊的均值和方差進(jìn)行描述；每幅場景圖像的分類特征向量維數(shù)為640 維（16X2X20)，用向量^：表示；i用于區(qū)分不同的場景圖像；Ν表示場景圖像的數(shù)目。
[0084] 步驟3、對場景圖像分類特征向量利用基于模糊核的主成分分析方法FPCA(Fuzzy PrincipalComponentsAnalysis，簡稱FPCA)進(jìn)行降維
[0085] 在場景圖像分類識別系統(tǒng)中基于模糊核主成分分析（FPCA)可以減少原始特征向 量的維數(shù)，這樣能夠節(jié)省計(jì)算時(shí)間并且由于噪聲成分能夠被過濾掉而改善識別速率。該方 法認(rèn)為任何一幅場景圖像都可分解為一系列主成分特征與系數(shù)的線性組合，且這類系數(shù)是 彼此不相關(guān)的，只要選取能量較大的一些系數(shù)就可以很好的代表一幅圖像而又使計(jì)算復(fù)雜 度降低，這樣有利于場景分類識別。本發(fā)明設(shè)計(jì)用于PCA特征降維的模糊核函數(shù)，其表達(dá)式 如下：
[0086]
[0087] 其中，K(k)為模糊核f的第k個(gè)元素，K隸屬于傳統(tǒng)核函數(shù)集K(k)，KN為核函數(shù)集 的數(shù)目，為對應(yīng)于核函數(shù)K的模糊隸屬度，且有〇< < 1。 通過對特征向量的統(tǒng)計(jì)優(yōu)化和特征主成分選擇，可得到場景圖像降維后的特征向量
[0088] 步驟4、場景分類識別
[0089] 考慮支持向量機(jī)模型的不確定性，并降低其計(jì)算復(fù)雜度，這里采用區(qū)間Type-2模 糊集來描述支持向量機(jī)模型的模糊隸屬度，將標(biāo)準(zhǔn)支持向量機(jī)擴(kuò)展為區(qū)間Type-2模糊支 持向量機(jī)，其定義如下：
[0090]
[0091] 其中，支持向量機(jī)模型的主級模糊隸屬度區(qū)間同樣取決于模糊隸屬度上界和下 界，次級模糊隸屬度則取值為1。
[0092] 由于區(qū)間Type-2模糊支持向量機(jī)，直接求解難度很大。因此，我們通過模型降維、 子SVM模型優(yōu)化和子分類平面融合三個(gè)階段實(shí)現(xiàn)對IT2FSVM模型的優(yōu)化。
[0093] 如圖3,首先，對IT2FSVM模型進(jìn)行降維，將IT2FSVM模型求解優(yōu)化問題轉(zhuǎn)化成下界 和上界子SVM模型的優(yōu)化問題，從本質(zhì)上降低模型優(yōu)化和計(jì)算的復(fù)雜度。其次，通過二次優(yōu) 化方法求解子SVM模型，得到相應(yīng)的子分類平面。最后，利用子分類平面的有機(jī)融合得到區(qū) 間Type-2模糊分類平面。
[0094] 利用區(qū)間Type-2模糊支持向量機(jī)進(jìn)行場景圖像分類識別，其分類平面決策函數(shù) 如下：
[0095]
[0096] 其中，和2U分別為IT2FSVM分類模型上界和下界的子分類平面。采 用訓(xùn)練好的IT2FSVM分類模型可用于未知類別的場景圖像分類識別。至此已實(shí)現(xiàn) 了本發(fā)明所述的基于區(qū)間Type-2模糊支持向量機(jī)的場景圖像分類識別。
[0097] 以下我們用仿真實(shí)驗(yàn)來驗(yàn)證本發(fā)明所提出的分類方法性能。實(shí)驗(yàn)采用具體應(yīng)用實(shí) 例并通過Matlab仿真來觀察實(shí)驗(yàn)結(jié)果。本發(fā)明在WindowsXP環(huán)境下，采用MatlabR2009b 這一軟件進(jìn)行實(shí)