[发明专利]基于非负特征融合的场景图像分类方法

权利要求书

1.一种基于非负特征融合的场景图像分类方法，包括如下步骤：

S1：采集场景图像样本，建立多类别场景图像数据集，作为原始图像样本；提取所述场景图像样本的特征，建立特征矩阵；所述场景图像样本的特征包括颜色特征、HOG特征以及GIST特征；

S2：进行非负特征分解；

利用基于投影梯度法的非负矩阵分解算法，对步骤S1的特征矩阵进行非负特征分解，得到基础特征和特征融合因子；

S3：融合特征重建；

采用随机索引法对步骤S2得到的基础特征进行融合，得到场景图像样本的每类样本每种特征的融合特征，实现非负单特征融合；

S4：分别使用每种特征的所有融合特征，建立基于正规化F范数误差的非负融合单特征分类器；

S5：融合特征提升，使用融合特征Boosting算法对融合特征进行提升，得到融合单特征提升权重矩阵和融合多特征提升权重矩阵；

S6：基于提升权重矩阵，建立基于正规化F范数误差的非负融合多特征分类器；

S7:对待分类的场景图像提取特征后，将所述待分类的场景图像的非负特征向量输入到非负融合特征分类器中，由分类器输出分类结果。

2.根据权利要求1所述的一种基于非负特征融合的场景图像分类方法，其特征在于，所述步骤S1中特征矩阵的建立具体步骤为，

S11：定义每个采集的场景图像样本的类别名称，为每个场景图像样本标记一个类别；

S12：每个类别的场景图像样本为一组，使用多种特征提取方法处理每个场景图像样本，得到原始场景图像样本的多种非负特征向量；

S13：将特征向量划分为训练集和测试集；

S14：将训练集中的特征向量组织成矩阵的形式，得到特征矩阵。

3.根据权利要求2所述的一种基于非负特征融合的场景图像分类方法，其特征在于，所述步骤S13中，训练集和测试集划分应该保持原始场景图像样本的分布一致，即在训练集和测试集中各类别包含样本数量的比例相同。

4.根据权利要求1所述的一种基于非负特征融合的场景图像分类方法，其特征在于，所述步骤S3的具体步骤为，

S31：设定每类样本每种特征期望重建的融合特征的数量；

S32：随机产生一个融合特征重建索引；

S33：根据重建索引选择特征融合因子与对应的基础特征相乘并将结果累加在一起，得到一个融合特征；

S34：对每类样本的每种特征依次重复步骤S32和S33，直到重建的融合特征数量达到目标数量后结束。

5.根据权利要求4所述的一种基于非负特征融合的场景图像分类方法，其特征在于，所述步骤S32中，所述的融合特征重建索引是一个大于0的可重复的正整数值，该值最大不超过每个类别样本数量。

6.根据权利要求1所述的一种基于非负特征融合的场景图像分类方法，其特征在于，所述步骤S4所述正规化F范数误差指首先计算F范数误差，再使用最大-最小正规化方法对误差进行正规化。

7.根据权利要求1所述的一种基于非负特征融合的场景图像分类方法，其特征在于，所述步骤S5中的具体步骤为，

S51：根据预先设定的Boosting样本比重因子，确定参与Boosting算法的训练样本数量，并初始化融合单特征提升权重矩阵和融合多特征提升权重矩阵；

S52：随机从训练集中选择场景图像样本，直到选择的场景图像样本数量达到目标数量；

S53：输入一个场景图像样本，使用多种特征提取方法得到多种非负特征；

S54：对每种特征使用对应的融合特征计算正规化F范数误差，得到分类结果；

S55：根据分类结果使用基于分类误差的权重更新公式对融合单特征提升权重矩阵进行更新，实现融合单特征的提升；

S56：根据分类结果使用权重更新公式对融合多特征提升权重矩阵进行更新，实现非负多特征的融合。