[发明专利]图像分类方法及系统

说明书

本发明公开了一种图像分类方法及系统，包括：获取待测图像；利用图像库中各类别的原始训练样本进行图像重构，得到表示所述待测图像对应每个类别的第一重构图像；根据预设标准，利用所述待测图像与各类别的所述原始训练样本构建相应的补充训练样本；利用各类别的所述补充训练样本进行图像重构，得到表示所述待测图像对应每个类别的第二重构图像；根据所述第一重构图像和所述第二重构图像，确定所述待测图像的类别。本发明基于范数约束的稀疏表示，既能够防止过拟合现象，又可以提高图像分类的准确性和识别效率。

技术领域

本发明涉及图像处理领域，尤其是一种图像分类方法及系统。

背景技术

在图像处理领域中对图像内容下定义，即是对图像进行分类操作，确定图像表征的主要信息属于哪一种预定类别，在具体实际操作中，诸如人脸识别、物体分类等皆属于此。本发明以人脸识别作为说明背景，仅为便于理解，但并非限定于此。

随着社会和科技的发展，信息安全问题越来越受重视，传统的基于密码的身份识别方式逐渐被生物特征识别方式取代。生物特征识别具有很多优势，比如不易丢失、安全方便，且具有唯一性等特点。人脸识别作为生物特征识别和计算机视觉技术起源于二十世纪六十年代，它一直是研究的热潮，并得到了广泛的应用，其应用于门禁防盗、公司打卡、电子支付、视频监控、刑侦破案、人脸检测、人数统计、人物追踪等，给人们的生活带来了很多方便。然而人脸识别一直面临着诸多挑战，比如光照的变化，即在强光、黑暗、侧光等条件下都会导致人脸的特征提取不充分，使得识别率变得很低；还有表情和年龄的变化，即当人张嘴、大笑或者哭泣等夸张表情时，人脸就会扭曲，导致无法正常识别；随着年龄的变化，小孩长大后面部轮廓会稍微改变，年老时，面部松弛会有皱纹等等；此外生活中获取的人脸图片多是侧脸而不是正脸，所以姿态的变化也将影响识别结果；面部遮挡也是研究的一个难题，当人戴围巾，墨镜或者口罩时，这些因素都会影响人脸识别的效果。

上述情况均能导致图像分类(人脸识别)率低，为此现有技术提出了基于稀疏表示的图像分类算法来解决此类问题。稀疏表示最初应用于压缩感知而获得了研究者们的关注，随后被应用于信号处理，图像处理，计算机视觉，模式识别等诸多领域。大量实验和研究表明稀疏表示在处理图像噪声和画面特征不全时，对人脸识别率的影响方面有很强的鲁棒性。人脸的稀疏表示假设的是一张人脸图片可以由这个人的其他人脸图像的线性组合来表示，即一张测试的人脸图片可以由这个人的所有的训练样本的人脸图片的线性组合来表示，而使数据库中的其他人脸图像的训练样本，其线性组合的系数尽量为零。所以用人脸库中的所有图像线性组合来表示待测样本，就要求表示其线性组合的系数向量是稀疏的，即来自某一类的测试图像，其向量系数除了来自这一类的训练样本的组合系数不为零，其余向量系数均可以要求为零。

常用的有稀疏表示法SRC(Sparse representation based classificationmethod，SRC)和协同表示法CRC(Collaborative representation based classificationmethod)。以CRC为例，其可以实现对模型空间的限制，并且可以避免模型出现过拟合现象，使得模型具有更好的泛化能力，并且基于I₂范数约束的稀疏表示，计算效率高、计算简单，往往能获得一个更加满意、更加具有判别性的结果。但是，CRC建立在若干“完美”假设的基础上，例如假设测试的人脸图片可以由这个人的所有的训练样本的人脸图片的线性组合来表示，并且人脸库的人脸照片是严格对齐的等。但在实际运用中，由于训练样本中的图片难以完美覆盖千奇百态的人脸变化，所以当测试图像出现特殊情形时，即使CRC已可以胜任对绝大多数测试图像的有效判别，但由于其过度依赖假设，所以仍难以避免出现由训练样本线性组合出的重构图像与某些测试图像存在较大差异的问题，导致测试图像仍会在一定概率上被错误分类。

发明内容

本发明的目的是提供了一种图像分类方法及系统，以此提升图像分类的准确性。

本发明采用的技术方案如下：

一种图像分类方法，包括：