[发明专利]基于多核学习K-SVD的识别方法及其系统在审
| 申请号： | 201910387408.1 | 申请日： | 2019-05-10 |
| 公开（公告）号： | CN110119776A | 公开（公告）日： | 2019-08-13 |
| 发明（设计）人： | 邓泽林;陈佳杰 | 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： | 长沙楚为知识产权代理事务所(普通合伙) 43217 | 代理人： | 李大为 |
| 地址： | 410114 湖南省长沙市天心*** | 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： | 本发明公开了基于多核学习K‑SVD的识别方法及其系统，方法包括：将经验图像训练转化为列向量形成字典D；通过多核函数将字典D分类训练得到字典D'；将字典D'通过K‑SVD进行字典更新，得到字典D”；将待识别图像与字典D”进行冗余计算，得到残差值集合；获取残差值集合中的最小值，判断最小残差值是否在预设的阈值范围内；若最小残差值在预设的阈值范围内，则完成图像识别匹配。通过将多核函数引入K‑SVD字典学习，通过对所有样本进行分类训练字典，得到一个过完备字典，该字典可以为每个信号原子提供最佳表示，可以有效地解决待处理图像分类不完备的问题，为训练得到的字典的稀疏性提供保障；对处理识别图像时，识别准确率高。 | ||
| 搜索关键词： | 字典 多核 预设 分类 集合 图像 待处理图像 冗余计算 图像识别 图像训练 训练字典 字典更新 字典学习 列向量 稀疏性 有效地 准确率 匹配 样本 学习 引入 转化 | ||
【主权项】：
1.一种基于多核学习K‑SVD的识别方法，其特征在于，方法包括：S1.将经验图像训练转化为列向量形成字典D；S2.通过多核函数将字典D分类训练得到字典D'；S3.将字典D'通过K‑SVD进行字典更新，得到字典D”；S4.将待识别图像与字典D”进行冗余计算，得到残差值集合；S5.获取残差值集合中的最小值，判断最小残差值是否在预设的阈值范围内；S6.若最小残差值在预设的阈值范围内，则完成图像识别匹配。
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/201910387408.1/，转载请声明来源钻瓜专利网。
