[发明专利]一种两阶段连续级联的图像集分类方法

权利要求书

1.一种两阶段连续级联的图像集分类方法及结构，其特征在于，包括：获取第一阶段的训练图像集和查询图像集，第二阶段的候选图像集；采用建模简化仿射包的方式，提取所述第一阶段训练图像集、查询图像集和第二阶段候选图像集的特征；提取出与所述查询图像集相近的N个图像集，命名为所述候选图像集，输入进第二阶段。基于k-均值聚类算法，再获取所述候选图像集后，将源图像集D划分为两个子集，再基于反向训练算法得到两个特定线性分类器，获得划分标准，并进行训练。根据所述划分标准，对已提取特征的所述查询图像集进行图像集分类。

2.如权利要求书1所述的方法，其特征在于，第一阶段所述建模简化仿射包包括：的第c个图像集被仿射包近似替代，一种有约束的仿射包建模为：

其中所述简化仿射包建模为：

3.如权利要求书2所述的方法，其特征在于，对所述提取所述第一阶段训练图像集、查询图像集和第二阶段候选图像集的特征包括：

对于待分类的所述查询图像集和所述训练图像集，利用简化仿射包的方式提取其图像集特征。

4.如权利要求书1所述的方法，其特征在于，提取出与所述查询图像集相近的N个图像集，命名为所述候选图像集，输入进第二阶段包括：

利用所述简化仿射包的方式，初始化定义两图像集之间差异为任意两个简化仿射包上两点最近的距离：

遵循所述简化仿射包建模，使和，再利用矩阵知识，使和，则成功将求解问题转变为最小二乘问题，利用最小二乘问题分析解，得到任意两简化仿射包最近距离：

当所述任意两简化仿射包差异被计算后，设置阈值，排除不可能所述的简化仿射包，筛选出N个所述简化仿射包输入进第二阶段，最有希望的候选图像集的索引，如下表示：

一旦我们确定了，那么第集则是最有可能的一个。我们通过重复的方法选择所述最有希望的N（NM）个候选库集，M表示图像集总数。

5.如权利要求书1所述的方法，其特征在于，基于k-均值聚类算法，再获取所述候选图像集后，将源图像集D划分为两个子集，再基于反向训练算法得到两个特定线性分类器，获得划分标准，并进行训练包括：

对于源图像集D，采用k-均值聚类算法将所述候选集划分为训练集和测试集。所述k-均值聚类算法，从每个源图像集中随机选取k个图像作为质心，再将每个图像分派给最近的质心，并重新计算每个候选集的质心不再发生变化为止，下一步将所述选择的k个图像形成子集D_1C，子集D_1C归类为D₁，其余图像归类为D₂，D₁和查询图像集S_Q作为最终训练集，D₂作为测试集。

6.如权利要求书5所述的方法，其特征在于，所述利用反向训练算法得到两个特定线性分类器，获得划分标准，并进行训练包括：

所述两个特定的线性分类器C₁和C₂，来源于训练S_Q和D₁所有图像训练得到，所述线性分类器C₁和C₂均是具有L₂正则化和L₂损失函数的线性支持向量机（SVM）分类器。所述子集D₂都由分类器C₁和C₂进行了分类，得到子集和。

7.如权利要求书6所述的方法，其特征在于，所述获得划分标准，并进行训练包括;

利用归一化频率直方图方法，计算和图像集类标签得到所述归一化频率直方图和。利用所述归一化频率直方图中数据反向映射到原图像集中，则能预测所述查询集S_Q的类标签：

公式中是所述归一化频率直方图，其定义为：

其中c∈[1,2…,N]表示和的第c个元素，是预测的类标签，是delta函数，表示如下：