[发明专利]基于高维PCANet的鲁棒图像识别方法

权利要求书

1.一种基于高维PCANet的鲁棒图像识别方法，其特征在于，所述方法包括以下步骤：

步骤1选取J张图像A＝{A₁,…,A_J}作为训练集，对应的类别标签为Z＝{Z₁,…,Z_K}为待识别图像的集合，即测试集，这里，分别表示实数域上的具有C₀∈{1,3}个通道的长宽为m×n的图像；

步骤2初始化参数和输入数据：令这里，用于指示网络所处的阶段，表示网络处于训练阶段，表示网络处于测试阶段；令l＝0，这里，l用于指示输入图像或特征图在网络中的层数，其中，

步骤3由构建矩阵

其中，为的均值，表示从的第c个通道中抽取的第b∈{1,2,…,mn}个大小为k×k的特征块，Vec(·)表示将矩阵拉伸为列向量的运算；

步骤4如果网络处于测试阶段，则跳至步骤7，否则，执行下一步；

步骤5计算的主方向其中，为协方差矩阵的第i′个特征向量，对应的特征值为λ_i′，且

步骤6由V^(l)获取C_l+1个立体式滤波器组C_l+1≤k²；

步骤7计算第l+1个卷积层的特征图集X^(l+1)；

步骤8令l＝l+1，执行上述步骤3～步骤7，直至l＝L，这里L表示预先给定的最大卷积层数；

步骤9初始化参数和输入数据：令l＝0，其中，Y_i^(l)＝A_i，N＝J；

步骤10由构建矩阵其中，为的均值，表示从Y_i^(l)的第c个通道中抽取的第b∈{1,2,…,mn}个大小为k×k的特征块；

步骤11如果则跳至步骤14，否则，执行下一步；

步骤12计算的主方向其中，为协方差矩阵的第i″个特征向量，对应的特征值为λ_i″，且

步骤13由获取C_l+1个立体式滤波器组C_l+1≤k²C_l；

步骤14计算第l+1个卷积层的特征图集Y^(l+1)；

步骤15令l＝l+1，执行上述步骤10～步骤14，直至l＝L；

步骤16将特征图集X^(L)和Y^(L)合并起来形成新的特征图集F：

步骤17对特征图集F进行模式图编码，得到模式图集P：P＝{P_i,β}_{i＝1,…,N；β＝1,…,B}，其中，表示第i个样本的第β∈{1,…,B}个模式图，F_i,·表示特征图子集F_i中的第·个特征图，T表示参与单个模式图编码的通道数，USF(·)表示单位阶跃函数，将输入数值通过与0比较进行二值化，即：

步骤18从模式图集P中提取柱状图特征H：H＝[H_i]_i＝1,…,N，其中，H_i＝[H_i,1,…,H_i,B]^T，H_i,β＝Qhist(P_i,β)，Qhist(P_i,β)表示将模式图P_i,β划分为Q块，从每一块中提取柱状图，每个柱状图使用2^T个分组，也就是，统计模式图的编码值在每一特征块的2^T个分组中出现的频率；

步骤19如果则令H^Te＝H，跳至步骤21；否则，令H^Tr＝H，执行下一步；

步骤20令l＝0，其中，N＝K，执行步骤3～步骤19；

步骤21计算度量矩阵M＝[M_i,j]_{i＝1,…,J；j＝1,…,K}，其中，这里，

其中，D表示和的长度，表示中的第d个元素，表示中的第d个元素；

步骤22计算测试集Z中各样本的类别Id＝[Id_i]_i＝1,…,K：

其中，M_i表示度量矩阵M中的第i列向量，minIndx(·)表示M_i中的最小元素的索引。