[发明专利]一种基于卷积神经网络和协方差张量矩阵的降维方法

摘要

本发明公开了一种基于卷积神经网络和协方差张量矩阵的降维方法，包括以下步骤：首先对原始图像进行基于结构树的边缘检测，从而得到每幅图像的边缘图，然后将边缘图像输入到卷积神经网络对边缘图像提取形状特征；为了丰富图像细节特征，使用卷积神经网络对原始图像进行特征提取；将传统特征提取方法与卷积神经网络特征提取相结合，以得到多种视觉特征。本发明关注图像目标的形状特征，并使用卷积神经网络来提取图像特征，相比传统的特征提取方法更能丰富直观的表示图像，同时在降低维度的过程中，更加注重多种视觉特征之间的相关性，更能使其作为一个整体来表示图像，更加具有鲁棒性和实用性。

主权项

1.一种基于卷积神经网络和协方差张量矩阵的降维方法，其特征在于，该方法包括如下步骤：(1)首先，将图像I＝{I₁,...I_i...,I_N},i＝1,...,N中每一幅图像I_i分成大小为32×32的M个重叠小块，对于每一幅图像，定义它的标签为将标签Y映射到另一个空间Z，即得到每个像素点的值，并求得每对像素点之间的距离值，是一个d_z维的向量；利用分离函数h(x)，其中x为像素点的值或者是距离值，该分离函数输出的值是否大于阈值α将像素点归到左枝叶或右枝叶来判断此像素点是否为边缘或是否相似；然后将每个重叠小块的结果映射到原图像从而得到原图像I＝{I₁,...I_i...,I_N},i＝1,...,N的边缘图像E＝{E₁,...,E_i,...E_N},i＝1,...,N；(2)将边缘图像E_i通过降采样得到卷积神经网络规定的大小的图像E_i′，将E_i′输入到网络中，通过卷积、池化得到第七层全连接层的输出，作为该边缘图像的边缘特征(3)然后将原始图像I_i经过降采样得到卷积神经网络规定的大小的图像I_i′，将I_i′输入到网络中，通过卷积、池化得到第七层全连接层的输出，作为该原图像细节特征(4)在原始图像I_i上提取全局特征，通过a×a的网格把图像划分成大小相等的子区域，每个子区域用υ个尺度α个方向的Gabor滤波器进行滤波处理，所有子区域的特征串接得到整幅图像目标描述子(5)对于得到的多种视觉特征首先求得各类视觉特征的协方差矩阵对同一样本的各类视觉特征进行张量计算，从而得到所有样本的最后的协方差张量矩阵通过多种视觉特征F的协方差张量矩阵T和协方差矩阵V我们得到多种视觉特征的张量矩阵(6)通过分解张量矩阵得到转换矩阵将原始的多种视觉特征与转换矩阵相乘，即得到降维后的结果r是降维的维数。