[发明专利]基于显著性无监督部件划分的弱结构物体细粒度分类方法

权利要求书

1.基于显著性无监督部件划分的弱结构物体细粒度分类方法，其特征在于，包括如下步骤：

S1、获取数据集训练样本D；

S2、对步骤S1获得的数据集训练样本进行前景分割处理，使用弱结构图像的结构先验指导分割过程，通过加入结构先验和融合多种分割方法，改进了一种基于显著性检测的分割方法，使用该方法对数据集进行前景分割，可得到处理后数据集D1；

S3、基于显著性无监督部件划分方法，对步骤S2的经过前景分割后的数据集D1，使用显著性信息对花朵图像前景进行无监督的部件结构的划分，以及对局部特征提取和编码池化，产生特征数据集D2；

S4、根据步骤S3得到的特征数据集D2，再结合多种特征SIFT，dense SIFT 和Labcolor，进一步计算融合多特征的中层特征表示，使用全局提取并池化的特征，再对图像数据集进行分类，得到物体细粒度的分类结果。

2. 根据权利要求1所述的基于显著性无监督部件划分的弱结构物体细粒度分类方法，其特征在于，步骤 S1 中，所述的数据集训练样本，是使用Oxford Flower 102数据集。

3. 根据权利要求1所述的基于显著性无监督部件划分的弱结构物体细粒度分类方法，其特征在于，步骤S2中，所述的一种基于显著性检测的分割方法，是将Saliency Cut方法进行改进，使用超像素分割算法在正确分割的图像中的前景和背景区域采集大量的局部图像块，这些图像块的标签即指示了它们属于前景还是背景，然后采用这些图像块训练分类器去判断一个查询图像块是属于前景还是背景，当给定一个经由Saliency Cut分割完成的图像，在该图像背景区域采样一些局部图像块，用上述SVM 分类器进行判断；若这些图像块大部分都属于前景，则说明 Saliency Cut的分割结果不准确，该方法可能会丢弃了本应该属于物体的前景区域，因此将这些区域加入前景区域集合中，得到处理后数据集D1。

4.根据权利要求1所述的基于显著性无监督部件划分的弱结构物体细粒度分类方法，其特征在于，步骤S3中，所述的基于显著性无监督部件划分方法，是对步骤S2的经过前景分割后的数据集D1，以及对局部特征提取和编码池化；该方法按照每个部件区域包含像素的多少对它们的显著度排序进行重新组织，使得具有较少像素的区域具有更高的显著程度，在特征提取和池化阶段，标记某一种特征，并且在显著性图标记的每一个部件区域内分别提取这些特征，并从所有样本图像中每个区域提取的特征将被用于学习属于各自区域的独有的一套视觉单词字典，产生特征数据集D2。

5. 根据权利要求1所述的基于显著性无监督部件划分的弱结构物体细粒度分类方法，其特征在于，步骤S4中，根据步骤S3得到的特征数据集D2，再结合多种特征SIFT，denseSIFT 和Lab color，进一步计算融合多特征的中层特征表示，具体是考虑有多个一对多的支持向量机分类器SVMs，对于每一个样本，通过收集所有这些分类器的预测分数而获得一个高维的向量，将这些高维向量融合多特征的中层特征，在分类阶段，使用全局提取并池化的特征，并使用基于无监督部件划分和局部特征提取池化策略，得到物体细粒度的分类结果。