[发明专利]一种基于混合协同表示的分类器的图像分类方法和装置

摘要

本发明公开了一种基于混合协同表示的分类器的图像分类方法和装置，属于模式识别技术领域，在基于传统协同表示分类器的基础上，增加类属协同表示约束项，由于传统的协同表示分类器能够使测试样本在整个训练样本空间中具有较好的拟合效果，类属协同表示约束项能使测试样本在其所属的类别的训练样本子空间中具有较优的拟合效果，两者相互配合，不仅改善了类属协同表示约束项在其它类别的训练样本子空间中拟合误差大的缺陷，而且改善了传统的协同表示分类器的图像鉴别性能；能够更好的处理样本空间内禀的非线性结构性质，将特征空间线性不可分的模式通过非线性映射到更高维特征空间实现线性可分，从而进一步提升图像分类性能。

主权项

1.一种基于混合协同表示的分类器的图像分类方法，其特征在于，所述方法包括：采用卷积神经网络提取图像特征；采用混合协同表示目标优化函数对核空间测试样本图像特征φ(y)进行混合协同表示，其中，所述混合协同表示目标优化函数为：其中，y∈R^D×1为待分类的测试样本图像特征，D表示特征的纬度，将y映射到核空间得到φ(y)；X∈R^D×N为训练样本图像特征，N表示训练样本个数，将X映射到核空间得到φ(X)；φ(X^c)是由第c类训练样本特征在核空间的映射，s为样本φ(y)的协同表示向量，s^c代表样本φ(y)用第c类训练样本特征φ(X^c)进行的协同表示，s＝[s¹ s² … s^c… s^C]^T，C表示类别数，τ用于调整类属协同表示项所占的比例，λ,γ用于平衡拟合误差和协同表示，β＝λ+τγ；代表向量2范数的平方；求解所述混合协同表示目标优化函数的最优解，其中，所述最优解的求解公式如下：其中，κ(X,X)＝φ(X)^Tφ(X)，κ(X,y)＝φ(X)^Tφ(y)，表示[0,…,φ(X^c),…,0]；获取核空间测试样本图像特征φ(y)在每类训练样本特征之间的拟合误差，并将所述拟合误差中最小的一类确定为待分类图像所属的类。