[发明专利]一种基于半监督字典学习的图像识别方法及装置

权利要求书

1.一种基于半监督字典学习的图像识别方法，其特征在于，所述方法包括下述步骤：

接收输入的待识别图像，获取所述待识别图像的特征向量；

根据所述特征向量获取所述待识别图像在预先构建的半监督图像字典中的各个子图像字典上的编码系数，所述各个子图像字典与不同类别的图像采集对象相对应；

根据所述编码系数计算所述待识别图像在所述各个子图像字典上的重构误差，获取所述重构误差为最小值时对应的图像采集对象，将该图像采集对象确定为所述待识别图像对应的识别对象。

2.如权利要求1所述的方法，其特征在于，获取所述待识别图像的特征向量的步骤，包括：

提取所述待识别图像的初始特征向量，对所述初始特征向量进行降维，以得到所述待识别图像的特征向量。

3.如权利要求1所述的方法，其特征在于，所述根据所述特征向量获取所述待识别图像在预先构建的半监督图像字典中的各个子图像字典上的编码系数的步骤，包括：

使用函数获取所述待识别图像在所述半监督图像字典中的各个子图像字典上的编码系数y，其中，a表示所述待识别图像，表示所述半监督图像字典，F表示F范数，γ为一常数。

4.如权利要求1所述的方法，其特征在于，根据所述特征向量获取所述待识别图像在预先构建的半监督图像字典中的各个子图像字典上的编码系数的步骤之前，所述方法还包括：

获取输入的带标签训练图像和无标签训练图像的特征向量，根据所述带标签训练图像和无标签训练图像的特征向量，生成表示所有所述带标签训练图像的第一矩阵以及表示所有所述无标签训练图像的第二矩阵；

构造一个n*C的概率矩阵，并对所述概率矩阵进行初始化，所述n为所述带标签训练图像和无标签训练图像的总数量，C表示所述带标签训练图像采集对象的总类别数量；

对所述第一矩阵的每一列进行归一化操作，使得每一列的2范数为1，以得到与所述图像采集对象对应的初始图像字典，并对预设的扩展字典、所述带标签训练图像和无标签训练图像的编码系数进行初始化；

使用公式计算所述第二矩阵中每一列在所述初始图像字典中的各个初始子图像字典的重构误差通过公式更新所述概率矩阵在第j个所述图像采集对象上的概率，其中，b_j表示第j个无标签训练图像的特征矩阵，D_i表示所述初始图像字典中的第i个初始子图像字典，E_i表示第i个扩展字典，表示第j个无标签训练图像在第i个子字典[D_i，E_i]上的编码系数，F表示F范数，C表示所述带标签训练图像采集对象的总类别数量，β为一常数；

通过增加每一个初始子图像字典的字典原子个数对所述初始图像字典进行扩展，所述扩展后初始图像字典表示为根据扩展后初始图像字典使用公式E_i＝U(:,n)对所述扩展字典进行更新，其中，U通过计算得到，svd表示奇异值分解，A_i表示第i类图像采集对象的带标签训练图像对应的特征向量，表示所述带标签训练图像在第i类子字典的编码系数，

使用函数更新所述带标签数据训练图像的编码系数，根据所述无标签训练图像的图像类型，使用预设的函数更新所述无标签训练图像的编码系数，其中，M_i为第i类标签训练数据的均值系数矩阵；

根据所述带标签数据训练图像的编码系数和所述无标签训练图像的编码系数，使用函数更新所述扩展后初始图像字典将更新后的所述扩展后初始图像字典确定为所述半监督图像字典。

5.如权利要求4所述的方法，其特征在于，根据所述无标签训练图像的图像类型，使用预设的函数更新所述无标签训练图像的编码系数的步骤，包括：

当每一类的标签训练图像少于预设阈值时，通过函数更新所述无标签训练图像的编码系数；

当每一类的标签训练图像大于等于所述预设阈值时，通过函数更新所述无标签训练图像的编码系数。