[发明专利]基于SURF特征的图像物体识别方法

摘要

本发明提供了一种基于SURF特征的图像物体识别方法，首先对图像进行预处理，然后对图像提取SURF角点和SURF描述子描述图像特征，再通过PCA数据白化、降维对特征进行处理，处理后的特征通过Kmeans聚类建立词袋模型，利用词袋模型构建图像的视觉词汇直方图，最后利用非线性的支持向量机(SVM)分类方法进行训练，并完成对图像不同类别的划分。在训练阶段不同图像的分类模型建模完成以后，在测试阶段对测试集中的图像进行检测，实现了对不同图像物体识别的功能。本发明在识别率和速度上都具有优异性能，使之更为客观准确地反映出图像的内容，此外还对SVM分类器的分类结果进行优化，降低了分类器判断的错误率和训练样本类别的局限性。

主权项

1.一种基于SURF特征的图像物体识别方法，其特征在于，包括如下步骤：步骤a：对图像进行预处理，提取预处理后图像的局部兴趣点特征，将局部兴趣点特征进行聚类，根据聚类中心的结果建立词袋模型，通过词袋模型建立视觉词汇直方图得到图像的视觉词汇直方图特征；步骤1：对每个训练样本进行类标签的标记，通过对带有类标签的所述训练样本执行步骤a的操作后得到所述训练样本的视觉词汇直方图特征，利用所述训练样本的视觉词汇直方图特征训练支持向量机SVM分类器，通过核函数将词汇直方图特征映射到特征空间，并在该核函数映射的特征空间中得到最优分类超平面；步骤2：对待测样本执行步骤a的操作后得到所述待测样本的视觉词汇直方图特征，利用核函数将视觉词汇直方图特征映射到特征空间，在该特征空间中判断该待测样本的视觉词汇直方图特征位于训练完成的SVM分类器的最优分类超平面的哪一侧，统计待测样本属于某个类别的概率，确定所述待测样本所属的类别；步骤3：对SVM分类器的分类结果进行矫正；其中，所述步骤1包括：步骤1.1：将需要分类的n种训练样本类别按照两两组合分成 个分类器；步骤1.2：每个训练样本进行步骤a的处理后得到对应训练样本的视觉词汇直方图特征，将训练样本的视觉词汇直方图特征和所述训练样本的类标签进行关联；步骤1.3：选择高斯核函数进行非线性可分特征的映射分类，调整支持向量机SVM分类器和核函数的参数，利用所述训练样本的视觉词汇直方图特征训练支持向量机SVM分类器，通过高斯核函数将词汇直方图特征映射到特征空间，并在该高斯核函数映射的特征空间中得到最优分类超平面，该最优分类超平面将不同类标签的训练样本区分开来；其中，选择的高斯核函数如下：式中：K(x,y)表示内积函数，x表示高维空间中的一个向量，y表示高维空间中的另一个向量，σ表示尺度参数。