[发明专利]相似图像分类方法及系统

说明书

技术领域

本发明涉及图像识别技术领域，特别涉及一种相似图像分类方法及系统。

背景技术

分类本质上是一种树状结构的级联形式，在这种结构中，靠近根部的高一级节点描述融合类别(inclusive class)，也称为上位类别(super-ordinate class)，例如，车辆等。中间层，也叫基本类(basic class)节点描述更加具体的类别，例如，摩托车或汽车等。而靠近叶节点的低一层节点，也称为从属类别(subordinate class)，则通常捕获对象间更加细微的差别，例如，运动摩托车或多功能摩托车，客车，卡车或小汽车等。相似图像分类是指对同一基本类或形状和视觉表观等方面及其相近的对象进行分类，也就是对从属类别的对象进行分类，例如，区分不同种类的蘑菇、汽车等等。

随着计算机技术、人工智能技术和传感器技术的飞速发展，以及人类在工作、学习和生活领域的迫切需求，模式分类技术已经发展到了一个崭新的阶段。但是，目前专家和学者把焦点大多集中在对基本层(basic level)对象的分类工作上，而很少提及相似图像，即从属层(subordinate level)对象的分类。

传统的模式分类方法应用到相似度极高的相似图像分类中会经常会失败，其主要原因有以下几种：

第一，目前一些经典的分类方法经常使用码本方式来提取特征，这种“词典”通常用非监督方法进行构建。使用k均值或高斯混合模型聚类得到的“词条”有时虽然在某空间区域高概率出现，但其实对类别判决却不一定是有用的信息。第二，当被检测的区域映射成“词典词条”形式时，很多细节信息被丢失。第三，“词典”方法需要手动调节聚类的一些参数，既繁琐，又不一定选择得特别合适。而与此相比，基于释文的方法在很大程度上弥补了上述使用码本方法的不足，而且识别效果也非常好，但是巨大的人工成本使其发展受到了很大的限制。

无监督级联方法有效的解决了基本层分类问题，然而不能区分相关性很大的从属层类别。基于属性的识别方法也显示了很大的优势。这些技术通常是利用带有属性标签的训练数据学习判别性模型，然后应用学习模型评估测试图像恰当的视觉属性。这些方法对于识别类似皮毛，点或四条腿等属性是有效的，但是对于区分从属层对象间细微的差别却显得不甚理想。

发明内容

本发明的目的旨在至少解决上述的技术缺陷之一。

为达到上述目的，本发明一方面的实施例提出一种相似图像分类方法，包括以下步骤：S1：输入待识别图像并获取所述待识别图像的形状特征、梯度特征、颜色特征和纹理特征；S2：将图像库中的训练样本分割生成多个不同尺寸的局部区域图像，并进行尺度变换，获得图像模板集，所述图像模板集中包括多个图像模板；S3：分析所述图像模板集中的图像模板，并获得图像模板的形状特征、梯度特征、颜色特征和纹理特征；S4：将所述待识别图像与所述图像模板集图像的对应特征进行匹配，并进行处理，获得所述待识别图像的图像细节信息；S5：通过所述图像表示数据并利用Bagging分类器得到待识别图像的类别。

根据本发明实施例的方法，通过对输入图像进行形状特征、梯度特征、颜色特征和纹理特征的提取和匹配，有效克服了仿射、光照等因素对分类结果的影像，同时保证了图像表示信息的完整性、丰富性和可判别性，保证了相似图像的正确分类。

本发明的一个实例中，所述步骤S2具体包括：S21：将图像库中的训练样本分割生成多个不同尺寸的局部区域图像，构成第一图像模板集；S22：对所述第一图像模板集中的各个图像模板进行尺度变换，获得不同尺度的图像模板，构成图像模板集。