[发明专利]一种基于深度特征和联合稀疏的图像目标识别方法在审
| 申请号： | 201910201364.9 | 申请日： | 2019-03-18 |
| 公开（公告）号： | CN109919242A | 公开（公告）日： | 2019-06-21 |
| 发明（设计）人： | 王威;唐璨;王新;李骥 | 申请（专利权）人： | 长沙理工大学 |
| 主分类号： | G06K9/62 | 分类号： | G06K9/62 |
| 代理公司： | 暂无信息 | 代理人： | 暂无信息 |
| 地址： | 410114 湖南省*** | 国省代码： | 湖南;43 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种基于深度特征和联合稀疏的图像目标识别方法。该方法首先将训练样本和测试样本采用CNN提取深度特征，转换成一维列向量，分别组成一个特征向量集；再计算训练样本特征集中各个特征向量的贡献权值，自适应加权重构特征向量；由于CNN提取的特征较多，造成特征维数偏大，故使用PCA方法进行降维处理，再利用联合稀疏模型得到训练样本特征集中每一类图像的公有特征和每个图像的私有特征，构成联合特征字典，使得字典具有更好的判别能力，最后进行稀疏表示分类。提高图像目标识别的精度。 | ||
| 搜索关键词： | 图像目标识别 深度特征 特征向量 训练样本 稀疏 图像 联合稀疏模型 特征向量集 自适应加权 测试样本 计算训练 降维处理 特征维数 特征字典 维列向量 稀疏表示 样本特征 再利用 联合 重构 字典 分类 转换 | ||
【主权项】：
1.一种基于深度特征和联合稀疏的图像目标识别方法，其特征在于，包括：在传统稀疏表示分类的基础上，采用卷积神经网络提取样本的深度特征；构建深度特征字典；再结合联合稀疏模型，提取训练样本的公有特征和私有特征，组成联合特征字典，用以稀疏表示分类。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于长沙理工大学，未经长沙理工大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910201364.9/，转载请声明来源钻瓜专利网。
