[发明专利]一种两阶段连续级联的图像集分类方法

说明书

本发明公开了一种两阶段连续级联的图像集分类方法，包括：对训练图像集和查询图像集通过建模简化仿射包的方法，得到大型图像集内部不显著的变化和特征；基于最小二乘问题求解法，通过计算出两简化仿射包间最近距离，用于定义两图像集之间差异；基于两简化仿射包最近距离计算，拒绝大部分不可能图像集，并返回与查询集最为接近的前n个候选集；采用k‑均值聚类算法对候选集进行合理的子集提取；通过归一化后的直方图数据，经过反向训练，映射到源图像集得到查询图像集类标签。方法有效减少了图像集分类的计算复杂度，提高了鲁棒性和图像集分类方法的可伸缩性。

技术领域

本发明涉及视觉识别和计算机视觉领域，更具体地说，涉及一种两阶段连续级联的图像集分类方法。

背景技术

随着人工智能的不断发展，图像集分类在多视点视觉识别、视频检索、动态场景识别等领域有着广泛的应用，因此它是计算机视觉中最重要的任务之一。但与传统的单镜头图像分类任务不同，图像集分类更有前景，因为它旨在有效地处理各种各样的外观变化，提高识别的准确性和对图像变化的鲁棒性。图像集分类技术大致包括两个主要步骤，即对一个图像集进行有效的建模和定义一个合适的度量来计算两个集之间的不相似度。但是在实际应用中，由于环境条件的不理想，例如图像中姿态变化、光照、非刚性变形、模糊和失调引起的问题，会产生较强的噪声和离群值，导致分类精度下降，鲁棒性下降，特殊学习算法的时间复杂度又很高，不利于实际生活中的使用。这些是目前大型图像集分类所面临的普遍问题。

近年来，随着大数据时代来临，深度学习在诸多领域都取得了非常显著的成功，在图像集分类方面还相对较少。图像集具有巨大的类内可变性和类间的模糊性，这有效提供了潜在的有效信息，但这也是双向的，同时也给正确地度量图像集之间的差异，进行准确分类带来了巨大的挑战。

综上所述，本发明提出了一种两阶段连续级联的图像集分类方法，采用仿射包表示大型图像集的变化，并提出一种新的候选集选择与改进反向训练(CSSIRT)方法，通过建模鲁棒简化仿射包，简化图像集和查询集之间的匹配计算，迅速筛选出最有希望的n个候选集。再通过改进的反向训练算法将查询集优化分类为同一类库集，通过两阶段连续级联框架，在保持较高分类精度的同时，提高了鲁棒性和降低了时间复杂度。

发明内容

本申请要解决的技术问题是针对现有技术的不足，提供一种能有效减少计算量的用于图像集分类的处理方法。

本申请要解决的技术问题通过以下技术方案加以解决。

一种两阶段连续级联的图像集分类方法，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。

优选的，所述第一阶段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：

优选的，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。

优选的，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。