[发明专利]一种基于学习跨数据域子空间的图像内容识别的分类方法及装置

摘要

本发明公开了一种基于学习跨数据域子空间的图像内容识别的分类方法及其装置，其包括对待分类的各目标图像进行特征抽取，将图像数据转化成可用于分类的数值型数据；输入各目标图像数据域和辅助数据域的数据特征，以及对应辅助域数据的类属标签数据，建立谱图邻接图；对图像数据、标签信息和邻接图，建立数学模型；根据数学模型，更新子空间中基向量的构建系数、数据在子空间中新的表示特征、分类器系数和在目标域图像数据上预测的拟类标签；预测目标域图像数据的分类标签，以此分类标签对目标图像数据进行分类。相比于现有的迁移学习分类技术，本发明提出的分类方法在准确率和稳定性上都有了很大的提高。

主权项

一种基于学习跨数据域子空间的图像内容识别的分类方法，其特征在于，包括如下步骤：S10：对待分类的各目标图像进行特征抽取，将图像数据转化成可用于分类的数值型数据；S20：输入各目标图像数据域和辅助数据域的数据特征，以及对应辅助域数据的用于训练的类属标签数据，对数据建立用于几何调节的谱图邻接图，具体包括：S201：输入辅助数据域和目标数据域的用图像特征表示的训练样本数据，包括：辅助数据域SIFT特征表示的图像数据，对应的标签信息矩阵，拟类标签矩阵，以及目标域SIFT特征表示的图像数据；S202：构建目标数据域的图像数据的邻接图；S30：对步骤S20中输入的图像数据、标签信息和建立的邻接图，建立数学模型，具体包括：S301：建立跨数据域子空间学习模型；S302：在学习得到的子空间中建立分类模型；S303：对目标域图像数据的预测标签进行局部流形结构化约束，在预测标签上添加正则项进行调节；S304：将步骤S301得到的学习跨数据域子空间的模型和步骤S302的分类模型,S303中得到的正则项整合起来，得到统一的数学模型；S40：根据S30中建立的数学模型，根据推导的各个变量的更新公式，以交替迭代的方式更新子空间中基向量的构建系数、数据在子空间中新的表示特征、分类器系数和在目标域图像数据上预测的拟类标签；S50：利用S40中得到的拟类标签矩阵，预测目标域图像数据的分类标签，以此分类标签对目标图像数据进行分类。