[发明专利]基于Gaussian过程的指节图像偏移特征识别方法

权利要求书

1.基于Gaussian过程的指节图像偏移特征识别方法，其特征在于，具体按照以下步骤进行：

步骤1，在类别信息无关联的假设的基础上，将中层偏移测度特征的学习转化为对随机量的学习，

所述步骤1具体为：依据从非参数密度核估计的结果中抽取出的图像灰度位置数据，对图像域上从属于固定阈值偏移集的概率测度进行学习；利用高斯过程模型，选用Bernoulli分布表示图像固定位置处对单类别标签的概率，实现随机场上类别标签分类；

所述步骤1中：利用高斯过程模型，以观测数据作为训练样本集X，选用Bernoulli分布表示图像固定位置处对单类别标签的概率，以随机场上类别标签y的概率结果作为训练输出；假设不同图像位置间的不同标记类无关，而同类标签的联合分布具有Gaussian特点，并利用Gaussian场函数f表示同类别间的标记关联：

其中位置i处标签取值为{0，1)，f的向量形式为且具有先验形式K为对应的协方差函数，n为训练数据量；

步骤2，分析二值多分类高斯场上的后验计算，基于Laplace逼近Gaussian过程的多分类高斯过程学习，

所述步骤2具体为：通过分析二值多分类高斯场上的后验计算，得到了训练数据的后验模型的似然值计算描述形式；

所述步骤2中：

Gaussian场f_i＝f(·|x_i)为高斯类函数，其后验形式也保持高斯格式：

Gaussian场隐函数f的最大后验估计定义为为哈密顿算符，exp为指数函数，X是训练样本集，y是数据观测量标记；

后验模型似然值的对数形式可表示为：

其中，K为协方差矩阵，Π是Gibbs分布π对应cn*n规模的列分块阵；

步骤3，构造中层随机信息的正定核函数；

步骤4，基于Laplace的多分类高斯过程预测，

所述步骤4具体为：采用蒙特卡洛方法对预测均值与预测协方差矩阵进行采样，获取采样均值作为后验预测，得到基于Laplace的多分类高斯过程预测算法及流程；

所述步骤4中：

测试数据x_*的标记预测的隐向量函数f_*服从逼近分布：

f_*～q(f_*|X,y,x_*)

X是训练数据集，y是数据观测量标记，x_*是测试数据；

在Bayesian条件分布下，训练数据集X中测试位置x_*的预测表示为积分形式：

q(f_*|X,y,x_*)＝∫p(f_*|X,x_*,f)q(f|X,y)df

由于上式中p(f_*|X,x_*,f)与q(f|X,y)均为高斯型分布，测试数据x_*的c类标记预测均值为：

其中k_c(x_*)为测试数据x_*与所有训练集数据X间的c类标记协方差向量，是c类标记的Gibbs分布，y^c是c类标记数据的观测量标记；

随机场上基于训练集的预测流程为：

①输入后验边缘预测f，协方差矩阵K，检测量x；

②计算当前观测变量标记分布律Π：

其中

③对每一类隐标签c＝1,2,…,C,计算：

M:＝Cholesky(∑_iE_i)

c:＝E_c(R(M^T\(M\(R^Tb))))

④对每一类隐标签c'＝1,2,…,C,计算：

⑤初始化蒙特卡洛后验采样：π_*:＝0

⑥采样测试位置标记的后验分布：

⑦计算正则化估计向量：

⑧计算标记类别预测向量：

步骤5，利用中层数据的分布学习与预测算法进行指节图像训练学习和固定阈值的图像识别。