[发明专利]基于高维PCANet的鲁棒图像识别方法

说明书

一种基于高维PCANet的鲁棒图像识别方法，包括鲁棒特征提取和基于卡方距离的最近邻分类，鲁棒特征提取过程将特征图的平坦式卷积和立体式卷积结合起来，立体式卷积充分考虑通道之间的相关性，平坦式卷积能够对输入图像的每一个通道进行充分的主方向分解，所得到的模式图相较于原始PCANet具有更为丰富的特征，能够有效提升PCANet的鲁棒性；分类过程包括：步骤1，在高维柱状图特征空间中，基于卡方距离获取待识别图像到各训练图像的距离度量；步骤2，获取具有最小距离度量的训练样本所对应的类标，作为待识别图像的类标。本发明能够有效的处理待识别图像中的遮挡、光照变化、分辨率差异等变化，有效地提升了有偏移图像的识别率。

技术领域

本发明涉及图像处理和模式识别领域，尤其是待识别图像与训练图像有较大差异的鲁棒图像识别，主要用于处理和识别现实中的图像。

背景技术

在现有计算机视觉和图像识别领域中，以卷积神经网络(Convolutional NeuralNetworks，CNN)为代表的深度神经网络(Deep Neural Network，DNN)取得了极大的成功，在一些公开的数据集上，前沿的深度学习方法的分类能力甚至超过了人类，例如：在LFW人脸数据库上的认证准确率，在ImageNet上的图像分类准确率，以及在MNIST上的手写数字识别准确率等。然而，在实际中，待识别图像在“分布”或“结构”上往往与训练图像有较大的差异，这种差异会导致DNN出现较大规模的识别错误，在深度学习领域中，这一现象被称为“协变量偏移(Covariate Shift)”。“协变量偏移”引发现有的图像识别方法存在准确率较低、可行性较差的技术缺陷。

发明内容

为了克服已有协变量偏移所引发的图像识别准确率较低、可行性较差的不足，本发明提出一种准确性高、可行性好的基于高维PCANet(High-dimensional PCANet，HPCANet)的鲁棒图像识别方法，HPCANet能够有效克服由于协变量偏移所引发的识别问题，尤其是当待识别图像存在遮挡、光照变化、分辨率差异等幅度较大的偏移时，能够大幅度提升图像识别性能。

本发明解决其技术问题所采用的技术方案是：

一种基于高维PCANet的鲁棒图像识别方法，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，N＝J；

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

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；