[发明专利]基于多种特征的图像匹配方法

权利要求书

1.一种基于多种特征的图像匹配方法，其特征在于基于多种图像特征组合对图像库进行图像匹配，具体包括如下步骤：

步骤101：确定图像的多种特征组成特征集，记为FS＝{F₁，F₂，…，F_n}；

步骤102：输入要求匹配的误检率、漏检率、时间性能指标，确定相关和不相关图像两类输入训练样本，提取出它们在特征集FS中的所有备选特征，图像匹配的级数k初始化为k＝1；

步骤103：对于FS中的每一个特征F_K，使用步骤102中的输入训练样本采用统计方法获得FS中每一特征的性能参数；其中K＝1、2、…n；

步骤104：根据步骤103从特征集FS中选取其子集为FS_k，对FS_k使用自适应自举学习算法-AdaBoost训练出分类器，作为图像匹配的第k级；新的特征集为剩余特征组成的集合，即FS＝FS-FS_k；

步骤105：若未达到要求的图像匹配的性能指标，k＝k+1，继续步骤104～步骤105；

步骤106：使用训练好的k级结构进行图像库图像的匹配；

所述从特征集FS中选取其子集为FS_k包括：根据步骤103中统计出的每个单一特征的时间复杂度、漏检率和误检率性能参数选取子集FS_k；选取子集中的特征应满足的条件为：漏检率、误检率、时间复杂度低于事先设定好的阈值；在满足上述条件之后，优先选择的指标为漏检率和时间复杂度，即它们越低越好；由于最终训练出的是多级结构，对于不同级中子集FS_k的选择，其特征选择方法为：k越大要求其误检率越低越好，在最大降低误检率的前提下尽可能地减少漏检率的增加。

2.按权利要求1所述的基于多种特征的图像匹配方法，其特征在于，所述步骤104中对FS_k使用自适应自举学习算法-AdaBoost训练出分类器包括：

步骤201：为步骤102中的两类训练样本初始化权值；

步骤202：FS_k中的每一个特征对应一个弱分类器，从FS_k中将所有当前未被选定的特征利用与其对应的弱分类器，根据当前的权值，输入训练样本进行训练；

步骤203：考虑所有未入选的特征，利用单个特征训练弱分类器，使加权错误率最小；

步骤204：根据训练结果将错误率最小的弱分类器对应特征选定为当前轮次特征挑选结果；

步骤205：更新所有训练样本的权值，重新执行步骤202～205，执行完预定的轮次；

步骤206：将每一轮次选定的特征挑选结果的特征加权组合作为最后的特征向量，输出该弱分类器。

3.按权利要求1所述的基于多种特征的图像匹配方法，其特征在于，所述步骤106中k级结构包括：第l级经过步骤104训练出一个分类器h(x)记为h^l(x)，则k级结构将对应k个分类器h¹(x)，h²(x)，...，h^k(x)，它们在结构关系上是一个级联关系。

4.按权利要求1所述的基于多种特征的图像匹配方法，其特征在于，所述步骤106中使用训练好的k级结构进行图像库图像的匹配表述为：使用k个分类器形成的级联结构对图像库图像进行匹配；首先经过分类器h¹(x)后输出相关的分类结果，将分类为相关的图像库图像输入到下一级分类器h²(x)输出分类结果，继续这一过程直至第k级分类器，将h^k(x)输出的相关图像作为最终的分类结果，即最终的相关图像。