[发明专利]一种基于支持向量回归的视觉映射方法

摘要

本发明公开了一种基于支持向量回归的视觉映射方法，视觉映射，是指从输入图像特征估计对应连续目标值的方法，例如：姿态估计、年龄估计和视线跟踪等。在实际应用中普遍存在的问题是在训练映射模型时，训练样本数目是有限的，本专利提出利用支持向量回归模型学习视觉映射关系，能有效的克服上述问题。当给定新的样本时，直接利用学到的带核函数的线性回归函数预测目标值。该方法训练时间短，操作方便简单。

主权项

1.一种基于支持向量回归的视觉映射方法，该方法包括：步骤1：根据实际问题采集N幅输入图像，并在采集每幅图像时标定各图像对应的目标值；步骤2：将步骤1中得到的图像提取视觉特征，并记任意第n幅图像对应的视觉特征向量D表示视觉特征向量的维数；步骤3：将所有N幅图像对应特征向量按顺序排列可以得到输入数据矩阵X，即X＝[x₁，x₂，...，x_N]；步骤4：将N幅图像对应的目标值向量按顺序排列为数据矩阵y，即Y＝[y₁，y₂，...，y_N]；步骤5：为了方便叙述，假设y_n为一维的情况下，介绍支持向量回归模型，当实际输入y_n为高维时，则依次按维数建立支持向量回归模型；具体来讲，支持向量机回归假设输入与输出之间存在下述关系：w＝[w₁，w₂，...，w_N]^T为权向量，w₀为偏差，ε_n为噪声，k(x_n，x_i)为度量x_n和x_i之间距离的核函数，支持向量机回归规定在给定阈值∈的情况下，w，w₀的最优解满足以下目标式的取值最小，其中C表示向量回归中控制回归误差容忍程度的参数，函数E_∈(y(x_n)‑y_n)的表达式为：∈表示根据实际情况设定的阈值；步骤6：建立步骤3和4中得到的所有图像的视觉特征及其对应估的目标值之间的回归模型，利用LIBSVM工具包求解回归参数w和w₀，在求解时所使用的核函数类型为RBF类型；步骤7：对于测试图像，我们按照步骤2中的方法对其进行梯度方向直方图特征提取，最后利用步骤6中得到的参数w和w₀估计目标值k(·，·)为RBF核函数。