[发明专利]一种基于单隐层神经网络的场景识别方法

说明书

技术领域

本发明涉及一种基于单隐层神经网络的场景识别方法。

背景技术

场景识别指的是按照场景图像相近的内容如相同颜色特征识别出场景图片中的场景，目的是通过模仿人类的感知能力来挖掘图像中的场景特征，从而自动地识别出图像所隶属的场景。在场景识别过程中，整个图像是作为一个整体被判别的，并不涉及具体目标。因为具体目标只能作为场景分类中判定所属类别的一个依据，但与场景所属类别却不一定完全相关。场景识别是计算机视觉和机器人领域中一个基础的预处理过程，它在图像内容检索、模式识别和机器学习等的计算机智能领域中担任重要的角色。

近几年来，场景识别研究已取得了较大进展，涌现出很多场景类别建模的方法。根据场景类别建模方式将现有场景识别方法分成四类：

(1)基于全局特征的场景识别方法

基于全局特征的场景识别方法大多通过颜色、纹理和形状等图像的全局可视化特征来对场景进行描述，并成功应用于室外场景识别中。相比而言，颜色特征对于场景的尺度、视角的变化以及图像的旋转均能取得更好的识别结果；而纹理与形状特征对应于图像的结构和方向信息，这些恰好也是人类视觉系统所敏感的，因此纹理与形状特征与人类的视觉感知结果具有更好的一致性。然而，基于全局特征的场景识别方法通常需要搜索图像的所有像素点，且没有考虑像素点的空间位置关系，因此它具有较差的实时性和通用性。

(2)基于目标的场景识别方法

一个特定地点可以通过其周围一系列极具代表性的目标来准确地定位，基于此原理，大多数场景识别方法也是根据图像中目标识别的结果来辨识出图像所对应的场景。于是，该类场景识别方法需要经历图像分割、多特征组合和目标识别等阶段。当待识别的目标距离视角很远时，该目标就很有可能隐藏在那些缺乏分析价值的背景信息中，在分割阶段就己经被忽略掉了，进而导致该目标识别工作无法实现。除此之外，为了简化具体场景的复染度，需要选取一组能够代表该场景的目标，而这些可靠且稳定的代表性目标的选取问题成为了制约基于目标的场景识别的另一个瓶颈。

(3)基于区域的场景识别方法

鉴于基于目标的场景识别方法所具有的局限性，一些研究者利用分割得到的区域来代替场景代表性目标，并根据这些区域的结构关系进行特征组合从而形成场景标示。该类场景识别方法的关键在于如何得到可信赖的区域分割算法。而这些区域信息的特征表示方法有很多，例如：可以采用局部与全局相结合的方式来实现，即提取区域内部的全局统计特征；也可以通过提取区域中的局部不变特征来对区域进行表征；还可以根据词袋模型来对区域信息进行表征。

(4)基于仿生特征的场景识别方法

考虑到场景识别的实时性与高效性，目前最好的计算机视觉系统与人类以及其他动物的视觉系统之间仍然存在着无法弥补的差距。鉴于人和动物所具有的优越的场景识别能力，随之产生了基于仿生特征的场景识别方法，该方法通过模拟生物视皮层的处理机制来实现场景识别。其基本思路是针对某一种生物视觉机制或某一类生物视觉特性展开研究，并通过细致的分析来建立有效的计算模型，从而获取令人满意的结果。例如，基于人类视觉注意力选择机制的方法可以将某些容易引起人注意的图像区域信息作为优先处理对象，这种选择性的机制能够极大地提高场景识别方法对视觉信息的处理、分析与识别的效率。

现有场景识别中存在的各项难点，例如同一场景是动态变化的、同一场景的图片存在多变性、不同的类之间的图像可能会有很多相似的点、不同场景的图像可能会出现重叠的情况等都导致的场景分类的精确度不高，本发明提供了一种基于单隐层神经网络的场景识别方法，基于全局特征的场景识别，将整个场景图像是作为一个整体被判别的，而不涉及具体目标，可实现较高的场景图像识别率。

发明内容

本发明要解决的技术问题，在于提供一种基于单隐层神经网络的场景识别方法，提高场景识别精确度。

本发明是这样实现的：一种基于单隐层神经网络的场景识别方法，包括训练阶段和识别阶段；

所述训练阶段包括：对预先采集的用于训练的样本图像集进行预处理，提取预处理后的样本图像集的局部梯度统计特征，将所述局部梯度统计特征以及对应场景类别标签加入到单隐层神经网络分类器进行层级式监督学习，得到复数个不同的多类单隐层神经网络的最优参数，根据所述最优参数构建多层级场景分类器；