[发明专利]基于鲁棒局部低秩稀疏CNN特征的图像分类方法及装置

权利要求书

1.一种基于鲁棒局部低秩稀疏CNN特征的图像分类方法，其特征在于，包括：

利用卷积神经网络提取待分类图像的原始深度特征；

利用预先构建的投影矩阵对所述原始深度特征进行低秩与稀疏特征提取，得到分类识别特征；

将所述分类识别特征输入分类模型中，得到所述待分类图像的标签；

其中，所述投影矩阵为采用鲁棒的邻域保持的联合低秩与稀疏特征算法学习训练样本集中各样本图像的原始深度特征所得，用于提取具有邻域保持时能力的低秩与稀疏特征；

其中，所述投影矩阵为采用鲁棒的邻域保持的联合低秩与稀疏特征算法学习训练样本集中各样本图像的原始深度特征所得包括：

采用公式(1)计算得到所述投影矩阵：

其中，是截断核范数，为min(n,N)-r个数的奇异值的和；为所述投影矩阵，C_NN为样本图像的原始深度特征，E为错误，α、β、λ为调整参数，为重构错误，W为权重矩阵，n为所述投影矩阵的行数，N为所述投影矩阵的列数，r为所述投影矩阵的秩，l为1范式或2范式；

并且，采用下述公式计算得到所述投影矩阵包括：

对公式(1)进行变换得到：

其中，U∑V^T为PC_NN的奇异值分解，m为奇异向量U的向量维度，V＝(v₁，…，v_r)∈R^n*n，τ＝(u₁，…，u_r)^T，r为奇异向量V的向量维度，为奇异向量V前r个值；

利用C_NN–E替代公式(2)中的C_NN，利用公式(3)计算得到具有邻域保持能力的投影矩阵：

其中，利用C_NN–E替代公式(2)中的C_NN得到的原始深度特征为具有邻域保持的联合低秩与稀疏特征。

2.根据权利要求1所述的基于鲁棒局部低秩稀疏CNN特征的图像分类方法，其特征在于，所述利用卷积神经网络提取待分类图像的原始深度特征包括：

将所述待分类图像输入至所述卷积神经网络中；

选取所述卷积神经网络第一层的全连接层输出的特征，作为所述待分类图像的原始深度特征，并将所述原始深度特征转化为列向量。

3.根据权利要求2所述的基于鲁棒局部低秩稀疏CNN特征的图像分类方法，其特征在于，所述将所述分类识别特征输入分类模型中，得到所述待分类图像的标签包括：

利用所述投影矩阵对所述训练样本集中的各样本图像的原始深度特征进行低秩与稀疏特征提取，得到各样本图像的样本识别特征；

将各样本识别特征、所述分类识别特征和各样本识别特征对应的标签类别输入分类模型中，得到所述分类识别特征对应的标签，作为所述待分类图像的标签。