[发明专利]一种对特征描述方法进行衡量的方法

权利要求书

1.一种对特征描述方法进行衡量的方法，其特征在于包括：

步骤1：对正样本的图像全部标识区域通过采样窗口进行均匀分布的采样；对负样本的图像通过采样窗口进行均匀分布的采样；

步骤2：使用被衡量的特征描述方法，将正样本图像全部标识区域的全部采样窗口和负样本图像的全部采样窗口分别对应转换为正特征向量F_P＝{α₁,α₂, ..., α_Α}和负特征向量F_N＝{β₁,β₂, ..., β_Β}，其个数分别记为Α和Β；

步骤3：使用一种聚类分析方法，依据正特征向量的空间分布距离，将正特征向量划分成K个聚类{w₁,w₂, ..., w_K}，每个聚类中w_k为普通描述词，1≤k≤K，每个普通描述词w_k是n个正特征向量α_i的集合，w_k是F_P的子集，n≤Α，10≤K≤1000；若某普通描述词包含的特征向量个数n≤X，则删除该普通描述词；否则保留该普通描述词；其中X为正样本数量的1％到50％；

步骤4：对普通描述词汇w_k，使用一种概率分布模型计算概率分布密度公式参数P(f|w_k)，然后使用所有的正特征向量α_i∈F_P,i＝1, ..., A， 计算对该普通描述词汇的正可区分值用所有的负特征向量β_j∈F_N,j＝1, ..., B， 计算对该普通描述词的负可区分值其中，f表示特征空间中任意特征向量；

步骤5：计算该普通描述词汇的可区分值为V(w_k)＝V_P(w_k)+V_N(w_k)；

步骤6：在所有普通描述词汇w_k中选择可区分值最高的M个区分值作为关键描述词T＝{t₁,t₂, ..., t_M}，这M个关键描述词的区分度的总和为该特征描述方法的类属物体探测性能衡量指标，越大说明被衡量的特征描述方法更适合被测试物体的特征描述，其中m＝1, ..., M。

2.根据权利要求1所述的一种对特征描述方法进行衡量的方法，其特征在于所述步骤1中采样窗口即样本图像中的一个矩形区域。

3.根据权利要求1所述的一种对特征描述方法进行衡量的方法，其特征在于还包括对正样本图像全部标识区域及负样本图象进行多尺度缩放，所述多尺度缩放的最小缩放级别中，采样窗口为被评估特征描述方法所需最小区域；在多缩放尺度的最大缩放级别中，正样本的采样窗口是包含整个图像标识区域的最小区域，负样本的采样窗口是不超出图像边界的最大区域；多缩放尺度的采样窗口从最小缩放级别到最大缩放级别以等比例递增，比例选择为1.1倍至2倍之间；在同一缩放尺度下，采样窗口均匀分布，相邻采样窗口间有5％到95％重叠面积。

4.根据权利要求1所述的一种对特征描述方法进行衡量的方法，其特征在于所述步骤3中一种聚类分析方法为划分法、层次法、图论法、网格法、K-Means或Mean Shift中的任一种。

5.根据权利要求1所述的一种对特征描述方法进行衡量的方法，其特征在于所述步骤4中一种概率分布模型为高斯分布、伯努力分布、二项分布或泊松分布中的任一种。