基于上下文的局部空間信息建模方法技術(shù)

一種基于上下文的局部空間信息建模方法，包括步驟：在提取每個圖像的局部特征后，提取相應(yīng)的上下文特征；根據(jù)每個局部特征對應(yīng)的視覺單詞，從測試圖像中隨機提取局部特征分組；利用聚類算法，在各組局部特征對應(yīng)的上下文特征集合上訓練得到多組上下文模式；根據(jù)局部特征對應(yīng)的不同上下文模式進行聚集操作，將聚集結(jié)果串聯(lián)得到圖像的最終表達。本發(fā)明專利技術(shù)對于未經(jīng)過對齊處理的圖像，依然能夠有效地處理其空間信息。在實際應(yīng)用中，將該方法與現(xiàn)有的考慮絕對空間關(guān)系的方法相結(jié)合，還能夠進一步提升圖像分類精度。

【技術(shù)實現(xiàn)步驟摘要】

本專利技術(shù)涉及模式識別,特別涉及基于BoF(bag-of-features)模型的圖像分類
技術(shù)介紹
目前，傳統(tǒng)分類算法缺乏有效地表達圖像空間信息的能力。這也是計算機視覺系統(tǒng)與人眼視覺系統(tǒng)相比在識別精度上仍存在著巨大差距的重要原因之一。常用的圖像空間建模方法往往都只能處理絕對空間信息，例如，金字塔空間匹配算法。這類算法常常要依賴于數(shù)據(jù)集的偏向性才能發(fā)揮作用，只對經(jīng)過對齊處理的圖像有效，而對存在較大偏移的圖像甚至完全失效。因此，鑒于只考慮絕對空間信息的算法已無法滿足實際需要，我們提出了一種基于局部特征的上下文的方法來處理圖像中的局部空間信息
技術(shù)實現(xiàn)思路
·為了解決現(xiàn)有技術(shù)存在的問題，本專利技術(shù)的目的是提供一種。一種，包括步驟a在提取每個圖像的局部特征后，提取相應(yīng)的上下文特征；b根據(jù)每個局部特征對應(yīng)的視覺單詞，從測試圖像中隨機提取局部特征分組；c利用聚類算法，在各組局部特征對應(yīng)的上下文特征集合上訓練得到多組上下文模式；d根據(jù)局部特征對應(yīng)的不同上下文模式進行聚集操作，將聚集結(jié)果串聯(lián)得到圖像的最終表達。本專利技術(shù)對于未經(jīng)過對齊處理的圖像，依然能夠有效地處理其空間信息。在實際應(yīng)用中，將該方法與現(xiàn)有的考慮絕對空間關(guān)系的方法相結(jié)合，還能夠進一步提升圖像分類精度。附圖說明圖I是基于局部特征上下文的圖像分類方法流程圖。具體實施例方式以下結(jié)合附圖詳細說明本專利技術(shù)技術(shù)方案中所涉及的各個細節(jié)問題。應(yīng)當指出的是，所描述的實施例僅旨在便于理解，對本專利技術(shù)不起任何限定作用。基于局部特征的上下文信息，本專利技術(shù)實現(xiàn)了一個圖像分類系統(tǒng)。傳統(tǒng)的圖像分類系統(tǒng)可以分為提取局部特征，訓練視覺詞典，表達圖像，訓練分類器以及執(zhí)行圖像分類五個部分。在此基礎(chǔ)之上，本專利技術(shù)加入了提取上下文特征、訓練上下文詞典以及基于上下文的多次聚集這三個主要步驟，其流程圖所如圖I示。以下詳細說明本專利技術(shù)的方法涉及的關(guān)鍵步驟。首先，在提取每個圖像的局部特征(SI)之后，提取相應(yīng)的上下文特征(S3)。即提取局部特征的周圍區(qū)域并將其看作一張圖像，用其中的局部特征在預(yù)先訓練好的視覺詞典上投票，從而得到統(tǒng)一形式的上下文表達Ci = Φ (Ii, Bc) (I)其中，B。表示視覺詞典；Φ表示位于Ii的局部特征的上下文區(qū)域的表達。其次，根據(jù)每個局部特征所對應(yīng)的視覺單詞(即按照歐式距離計算最近的視覺單詞)，將從測試圖像中隨機提取的局部特征分組(S4)。第三，利用聚類算法(如k近鄰聚類算法、混合高斯模型聚類算法等)，在各組局部特征對應(yīng)的上下文特征集合上訓練得到多組上下文模式(S5)。 第四，對于所有圖像，根據(jù)局部特征對應(yīng)的上下文模式的不同，進行聚集操作(或多次聚集操作)并將聚集結(jié)果串聯(lián)從而得到圖像的最終表達(S7)V = T(2)v} =zJ-T(3)(4)^ (7) = ^ ^ *W 步驟S6，以在視覺詞典上硬投票的方式對每張圖像的局部特征分別進行編碼。步驟S7，對于每張圖片的局部特征，根據(jù)其上下文特征所對應(yīng)的上下文模式的不同，分別進行8次聚集操作，并將所有聚集結(jié)果與帶有金字塔空間匹配的圖像表達串聯(lián)起來，形成最終表達。步驟S8，將訓練圖像的表達送入支持向量機訓練分類器。步驟S9，將測試圖像的表達送入S8中得到的分類器進行分類。以上所述，僅為本專利技術(shù)的具體實施方式之一，本專利技術(shù)的保護范圍并不局限于此。任何熟悉該技術(shù)的人在本專利技術(shù)所揭露的技術(shù)范圍內(nèi)，可理解想到的變換或者替換，都應(yīng)涵蓋在本專利技術(shù)的范圍之內(nèi)。因此，本專利技術(shù)的保護范圍應(yīng)以權(quán)利要求書的保護范圍為準。·權(quán)利要求1.一種，包括步驟 a在提取每個圖像的局部特征后，提取相應(yīng)的上下文特征； b根據(jù)每個局部特征對應(yīng)的視覺單詞，從測試圖像中隨機提取局部特征分組； c利用聚類算法，在各組局部特征對應(yīng)的上下文特征集合上訓練得到多組上下文模式； d根據(jù)局部特征對應(yīng)的不同上下文模式進行聚集操作，將聚集結(jié)果串聯(lián)得到圖像的最終表達。2.根據(jù)權(quán)利要求I所述的方法，其特征在于在視覺詞典上以硬投票的方式得到相應(yīng)的上下文特征。3.根據(jù)權(quán)利要求I所述的方法，其特征在于以硬投票的方式將局部特征分配給視覺詞典中的各個視覺單詞，得到多組局部特征。4.根據(jù)權(quán)利要求I所述的方法，其特征在于提取局部特征的周圍區(qū)域并轉(zhuǎn)換成統(tǒng)一的 上下文表達。5.根據(jù)權(quán)利要求4所述的方法，其特征在于對局部特征的上下文表達進行非監(jiān)督學習從而得到局部特征的上下文模式。6.根據(jù)權(quán)利要求I所述的方法，其特征在于對不同的視覺單詞，自適應(yīng)地學習不同的上下文模式。7.根據(jù)權(quán)利要求I所述的方法，其特征在于根據(jù)局部特征對應(yīng)的不同上下文模式，對局部特征進行多次聚集。8.根據(jù)權(quán)利要求I所述的方法，其特征在于所述聚類算法包括k近鄰聚類算法或混合高斯模型聚類算法。9.根據(jù)權(quán)利要求I所述的方法，其特征在于所述步驟d采用硬投票編碼方法以及求和聚集。10.根據(jù)權(quán)利要求I所述的方法，其特征在于所述步驟d采用軟投票編碼方法、稀疏編碼法、Super-vector編碼法或Fisher編碼法以及最大值聚集或加權(quán)求和聚集。全文摘要一種，包括步驟在提取每個圖像的局部特征后，提取相應(yīng)的上下文特征；根據(jù)每個局部特征對應(yīng)的視覺單詞，從測試圖像中隨機提取局部特征分組；利用聚類算法，在各組局部特征對應(yīng)的上下文特征集合上訓練得到多組上下文模式；根據(jù)局部特征對應(yīng)的不同上下文模式進行聚集操作，將聚集結(jié)果串聯(lián)得到圖像的最終表達。本專利技術(shù)對于未經(jīng)過對齊處理的圖像，依然能夠有效地處理其空間信息。在實際應(yīng)用中，將該方法與現(xiàn)有的考慮絕對空間關(guān)系的方法相結(jié)合，還能夠進一步提升圖像分類精度。文檔編號G06K9/62GK102945373SQ20121040836公開日2013年2月27日 申請日期2012年10月24日 優(yōu)先權(quán)日2012年10月24日專利技術(shù)者譚鐵牛, 黃永禎, 王亮, 吳子豐 申請人:中國科學院自動化研究所本文檔來自技高網(wǎng)...

【技術(shù)保護點】
一種基于上下文的局部空間信息建模方法，包括步驟：a在提取每個圖像的局部特征后，提取相應(yīng)的上下文特征；b根據(jù)每個局部特征對應(yīng)的視覺單詞，從測試圖像中隨機提取局部特征分組；c利用聚類算法，在各組局部特征對應(yīng)的上下文特征集合上訓練得到多組上下文模式；d根據(jù)局部特征對應(yīng)的不同上下文模式進行聚集操作，將聚集結(jié)果串聯(lián)得到圖像的最終表達。

【技術(shù)特征摘要】

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：譚鐵牛，黃永禎，王亮，吳子豐，
申請(專利權(quán))人：中國科學院自動化研究所，
類型：發(fā)明
國別省市：