[发明专利]一种基于稀疏表示的图像识别方法

说明书

公开一种基于稀疏表示的图像识别方法，其能够通过自适应地选择训练样本进行多轮训练，学习多个字典，每个字典有针对性地学习其他字典表示精度欠佳的样本，每个字典对应一个有针对性的弱分类器，对多个弱分类器的分类结果进行加权组合，提升传统稀疏表示应用于分类问题的识别精度。该方法包括以下步骤：(1)基于自适应增强字典学习过程学习多个字典及相应的弱分类器，并计算分类器权值系数；(2)基于步骤(1)学习的多个字典计算待分类数据的稀疏表示向量，再利用相应的弱分类器进行分类，加权组合各弱分类器识别结果而得到最终识别结果。

技术领域

本发明涉及图像处理的技术领域，尤其涉及一种基于稀疏表示的图像识别方法。

背景技术

近年来，稀疏表示算法作为图像分类的工具被广泛应用，通过训练学习字典或将训练样本直接作为字典，基于字典对测试数据进行稀疏编码，通过比较样本在类别字典上的重构误差实现分类。为提升字典方法在分类问题上的表现能力，已有方法在传统稀疏表示方法KSVD的基础上进行改进，在目标函数中加入类别信息，从而达到约束字典的目的。例如，DKSVD(Discriminative KSVD)中，在KSVD的基础上，引入由样本标签矩阵、分类矩阵和稀疏表示矩阵组成的分类误差项，字典的重构误差项和分类器分类误差项同时优化，达到同时提升线性分类器的能力和字典的表达能力的目的。LC-KSVD(Label Consistent KSVD)在KSVD的基础上引入标签一致项，定义字典与标签相关矩阵为判别稀疏矩阵，通过稀疏表示矩阵在转换矩阵上的投影与判别稀疏表示矩阵的差值构成标签一致项，使得通过训练得到的字典原子带有类别标签，从而保证了识别精度。同时LC-KSVD在DKSVD的启发下引入分类误差项，使得字典面向分类问题进行优化，进而得到较好的识别效果。

以上方法存在的问题如下：

基于稀疏表示的图像识别方法通常经过训练学习字典，目前的大部分方法在学习字典的过程中均等地对待每个训练样本。但不同样本复杂程度不同，因此令所有样本对字典训练的贡献相同，一方面可能会带来信息冗余，另一方面导致复杂样本的信息的缺失。

发明内容

为克服现有技术的缺陷，本发明要解决的技术问题是提供了一种基于稀疏表示的图像识别方法，其能够通过自适应地选择训练样本进行多轮训练，学习多个字典，每个字典有针对性地学习其他字典表示精度欠佳的样本，每个字典对应一个有针对性的弱分类器，对多个弱分类器的分类结果进行加权组合，提升传统稀疏表示应用于分类问题的识别精度。

本发明的技术方案是：这种基于稀疏表示的图像识别方法，该方法包括以下步骤：

(1)基于自适应增强字典学习过程学习多个字典及相应的弱分类器，并计算分类器权值系数；

(2)基于步骤(1)学习的多个字典计算待分类数据的稀疏表示向量，再利用相应的弱分类器进行分类，加权组合各弱分类器识别结果而得到最终识别结果。

本发明基于Adboost原理对传统稀疏表示模型学习字典的过程进行改进，在训练过程中自适应地为训练样本分配权重，从而提升字典的表达能力。与此同时在目标函数中增加分类误差项，联合优化字典和分类器，提升识别精度。

附图说明

图1示出了根据本发明的基于稀疏表示的图像识别方法的步骤(1)的流程图。

图2示出了根据本发明的基于稀疏表示的图像识别方法的步骤(2)的流程图。

图3示出了Amazon10数据库目标函数值和迭代次数的关系曲线。

图4示出了根据本发明的基于稀疏表示的图像识别方法的整体流程图。

具体实施方式

如图4所示，这种基于稀疏表示的图像识别方法，该方法包括以下步骤：

(1)基于自适应增强字典学习过程学习多个字典及相应的弱分类器，