[发明专利]基于非负特征融合的场景图像分类方法

说明书

本发明公开了一种基于非负特征融合的场景图像分类方法，包括以下步骤，获取原始数据的多种非负特征，定义并建立特征矩阵；对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；使用基础特征和特征融合因子进行融合特征重建，得到融合特征；基于融合特征，建立基于正规化F范数误差的融合单特征分类器；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；基于提升权重矩阵，建立融合多特征分类器。本发明提出非负特征分解与融合特征重建的两步特征融合方法，为原始数据多种非负特征的融合提供了技术手段，实现多种特征的优势互补，基于融合特征建立的分类器能够得到更高的分类准确率。

技术领域

本发明涉及计算机视觉、模式识别技术领域，尤其涉及一种基于非负特征融合的场景图像分类方法。

背景技术

随着人工智能技术的发展，对图像、文本、语音等信息进行智能处理的需求与日俱增。模式分类是数据信息的智能处理，它是计算领域重要的研究方向之一，模式分类问题包括光学字符识别、生物特征识别、图像分类等。基于单特征结合机器学习分类器的分类方法，如分别使用颜色特征、边缘特征、梯度，和支持向量机法、近邻法、贝叶斯法等，已经使这类问题得到一定的解决。但是单一特征对原始样本特性的表达具有局限性，一种特征往往仅对样本某些特性敏感，而对其它特性不敏感，导致特征数据可能存在类内方差小而类间方差大的问题，分类器模型无法学习到最优的分类超平面，再加上数据噪声的影响，使得基于单一特征训练的分类器无法输出正确的结果。

特征融合是解决上述问题的一种思想，它能够综合利用多种图像特征，实现多特征的优势互补，降低单特征局限性的影响，从而提高分类准确准确率。特征融合在信息融合层次中属于中间层次的特征级融合，根据数据抽象层次的不同，信息融合还包括低层的数据级融合和高层的决策级融合。特征数据在维度上比原始数据要低，比分类决策结果数据要高，因此，特征级融合能在目前计算机普遍运算能力范围内，更多的保留信息多样性，比其它两个层次的融合具有更好的使用条件。

近年来，特征融合已经成为一个热门的研究问题。特征融合方法可以分为直接方法和间接方法，直接方法是通过对原始特征直接施加代数运算等手段得到融合特征，如基于权重的融合、基于模板的融合等；间接方法是将特征融合思想与统计模型、稀疏模型、深度模型等其他模型方法相结合，从而得到基于特征融合的新模型。但是，目前特征融合方法中缺乏基于非负矩阵分解的融合方法。

针对现有技术存在的不足，提出本发明。

发明内容

本发明的目的是通过提供一种基于非负特征融合的场景图像分类方法，用于解决样本多种特征的融合问题，进而解决模式分类的具体技术问题。

为实现上述发明目的，本发明的技术方案是：一种非负特征融合的方法，包括如下步骤：

S1，采集数据样本，建立特征矩阵；

所述步骤S1中特征矩阵的建立具体步骤为，

S11：定义每个采集的数据样本的类别名称，为每个数据样本标记一个类别；

S12：每个类别的数据样本为一组，使用多种特征提取方法处理每个数据样本，得到原始数据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；训练集和测试集划分应该保持原始数据样本的分布一致，即在训练集和测试集中各类别包含样本数量的比例相同。

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。

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；