[发明专利]一种基于分层高斯混合模型的场景识别方法

权利要求书

1.一种基于分层高斯混合模型的场景识别方法，其特征在于，包括以下步骤： 

（1）提取训练图像库中所有图像对应的分层高斯混合模型，并获取分层高斯混合模型的李代数描述子，具体包括下述子步骤： 

（1-1）提取训练图像库中图像的SIFT向量，用主成分分析方法对SIFT向量降维，并结合空间横坐标和纵坐标信息得到最终的D维特征向量，其中D为正整数； 

（1-2）确定图像对应的分层高斯混合模型所包含的单高斯分量数目K，使用期望最大值算法估计训练图像库中全局混合高斯的极大似然参数{(μ₁,∑₁,π₁),....,(μ_K,∑_K,π_K)}，其中μ_i表示第i个单高斯分量的均值，∑_i表示第i个单高斯分量的协方差矩阵，π_i表示第i个单高斯分量在全局混合高斯中所占的比重,且0≤π_i≤1，1≤i≤K； 

（1-3）根据全局混合高斯的极大似然参数，采用最大后验概率方法获取每个图像对应的混合高斯参数，其中图像I对应的混合高斯参数 总共有K个高斯分量，其中和表示图像I中第i个高斯成分的均值和协方差矩阵，表示图像I中第i个高斯成分在图像I对应的混合高斯中所占的权重，且1≤i≤K,K＞1； 

（1-4）根据图像库中所有图像对应的混合高斯参数提取分层混合高斯的李代数描述子； 

（2）接收待分类图像，并根据步骤（1）提取待分类图像的分层高斯混合模型的李代数描述子其中I’表示待分类图像； 

（3）用鉴别投影嵌入方法获取待分类图像的分层混合高斯的李代数描 述子和训练图像库中所有图像的分层混合高斯的李代数描述子之间的距离，具体包括以下子步骤： 

（3-1）获取训练图像库的投影矩阵其中如果图像x^s和x^l是同一类，则W_sl＝1，否则W_sl＝0，V是由矩阵Φ（A-W）Φ^T的最大特征值对应的特征向量组成，S为训练图像库图像的数目。Φ=[φ(x¹),φ(x²)，....φ(x^S)]，A为对角矩阵，主对角元素

（3-2）获取待分类图像的分层混合高斯的李代数描述子和训练图像库中所有图像的分层混合高斯的李代数描述子之间的距离 

（4）根据得到的距离利用最小中值距离分类器对待分类的图像进行分类，并返回分类结果。 

2.根据权利要求1所述的场景识别方法，其特征在于，步骤（1-3）具体为，每个图像的混合高斯的高斯分量权重服从狄利克雷分布： 

其中T为正实数，每个图像的混合高斯的高斯分量的均值为： i＝1,2,...,K， 

其中r为正实数，然后将上式代入最大化后验以获得和具体公式如下： 

其中z表示训练库中图像I的所有特征向量集合，z^j表示训练图像库中图像I的第j个特征向量，N表示图像库中图像I包含特征的总数目，k为正整数且1≤k≤K，表示向量z^j服从以和∑_i为均值和协方差的正态分布： 

其中，

α_k＝n_k/(n_k+r),γ_k＝N/(N+T) 。

3.根据权利要求1所述的场景识别方法，其特征在于，步骤（1-4）包括以下子步骤： 

（1-4-1）获取全局混合高斯的单高斯型(M₁，M₂,M₃,...,M_K)，即全局混合高斯的各个高斯分量的单高斯型0＜i≤K，其中对于组成全局混合高斯的每一个高斯分量模型N(μ_i,∑_i)，通过Cholesky分解唯一得到： 该高斯模型用它所对应的放射变换矩阵唯一表示，P_i是由∑_i分解得到的下三角矩阵； 

（1-4-2）获取图像库中图像I对应的混合高斯的各个高斯分量的单高斯型： 

对于组成每个图像高斯混合模型的每一个高斯分量模型通过Cholesky分解唯一得到：该高斯模型用它所对应的放射变换矩阵唯一表示； 

（1-4-3）获取高斯分量的李群空间的切向量其中log（）表示先求矩阵对数； 

（1-4-4）将切向量m_i向量化表示为n_i，且 

n_i＝[m₁₁ m₁₂...m_1,D+1 m₂₁ m₂₂...m_2,D+1 m_D+1，1...m_D+1，D+1] 

（1-4-5）获得李代数描述子：其中x^I表示图像I。