[发明专利]一种基于通道相关式PCANet的低分辨率图像识别方法

说明书

一种基于通道相关式PCANet的低分辨率图像识别方法，特征提取过程中，对待识别的低分辨图像进行双三次插值，使得插值之后的图像与训练集图像有相同的分辨率；采用通道相关式卷积对插值后的图像进行深度卷积滤波，得到输入图像的高维特征图；沿着特征图的通道方向，以一定的步长，对特征图进行压缩编码，得到输入图像的模式图；从模式图中提取局部柱状图特征，将由各模式图生成的局部柱状图特征连接起来，形成最终的高维柱状图特征；分类过程中，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；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。本发明能够有效识别低分辨率输入图像。

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

近来，在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)”。在异协变量偏移问题中，待识别图像与训练图像在分辨率上的差异尤为显著。通常情况下，待识别图像的分辨率远远低于训练图像的分辨率，从而导致现有的DNN模型出现性能崩溃。

发明内容

为了克服已有图像识别方法由于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，本发明提供了一种准确性高、可行性好的基于通道相关式PCANet(ChannelIndependent PCANet，CIPCANet)的鲁棒图像识别方法，CIPCANet能够有效克服由于分辨率差异所引发的识别问题，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：

一种基于通道相关式PCANet的低分辨率图像识别方法，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Y＝{Y₁,…,Y_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和μ×v的图像，且μ≤m,v≤n；

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；令其中，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，执行步骤5～步骤6；

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(C_l+1≤k²C_l)个通道相关式滤波器组

步骤7将投影到W^(l+1)：并将中的元素按行重写为：其中，

步骤8由计算特征图X^(l+1)：其中，这里，表示将矩阵中的每一个列向量按列重新排列为大小为m×n的矩阵，并在通道方向上将各m×n的矩阵连接起来；