專(zhuān)利名稱(chēng)：相似圖像分類(lèi)方法及系統(tǒng)的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及圖像識(shí)別技術(shù)領(lǐng)域，特別涉及一種相似圖像分類(lèi)方法及系統(tǒng)。
背景技術(shù)：
分類(lèi)本質(zhì)上是一種樹(shù)狀結(jié)構(gòu)的級(jí)聯(lián)形式，在這種結(jié)構(gòu)中，靠近根部的高一級(jí)節(jié)點(diǎn)描述融合類(lèi)別(inclusive class),也稱(chēng)為上位類(lèi)別(super-ordinate class),例如,車(chē)輛等。中間層，也叫基本類(lèi)(basic class)節(jié)點(diǎn)描述更加具體的類(lèi)別,例如,摩托車(chē)或汽車(chē)等。而靠近葉節(jié)點(diǎn)的低一層節(jié)點(diǎn)，也稱(chēng)為從屬類(lèi)別(subordinate class),則通常捕獲對(duì)象間更加細(xì)微的差別，例如，運(yùn)動(dòng)摩托車(chē)或多功能摩托車(chē)，客車(chē)，卡車(chē)或小汽車(chē)等。相似圖像分類(lèi)是指對(duì)同一基本類(lèi)或形狀和視覺(jué)表觀(guān)等方面及其相近的對(duì)象進(jìn)行分類(lèi)，也就是對(duì)從屬類(lèi)別的對(duì)象進(jìn)行分類(lèi)，例如，區(qū)分不同種類(lèi)的蘑菇、汽車(chē)等等。隨著計(jì)算機(jī)技術(shù)、人工智能技術(shù)和傳感器技術(shù)的飛速發(fā)展，以及人類(lèi)在工作、學(xué)習(xí)和生活領(lǐng)域的迫切需求，模式分類(lèi)技術(shù)已經(jīng)發(fā)展到了一個(gè)嶄新的階段。但是，目前專(zhuān)家和學(xué)者把焦點(diǎn)大多集中在對(duì)基本層(basic level)對(duì)象的分類(lèi)工作上，而很少提及相似圖像，即從屬層(subordinate level)對(duì)象的分類(lèi)。傳統(tǒng)的模式分類(lèi)方法應(yīng)用到相似度極高的相似圖像分類(lèi)中會(huì)經(jīng)常會(huì)失敗，其主要原因有以下幾種:第一，目前一些經(jīng)典的分類(lèi)方法經(jīng)常使用碼本方式來(lái)提取特征，這種“詞典”通常用非監(jiān)督方法進(jìn)行構(gòu)建。使用k均值或高斯混合模型聚類(lèi)得到的“詞條”有時(shí)雖然在某空間區(qū)域高概率出現(xiàn)，但其實(shí)對(duì)類(lèi)別判決卻不一定是有用的信息。第二，當(dāng)被檢測(cè)的區(qū)域映射成“詞典詞條”形式時(shí)，很多細(xì)節(jié)信息被丟失。第三，“詞典”方法需要手動(dòng)調(diào)節(jié)聚類(lèi)的一些參數(shù)，既繁瑣，又不一定選擇得特別合適。而與此相比，基于釋文的方法在很大程度上彌補(bǔ)了上述使用碼本方法的不足，而且識(shí)別效果也非常好，但是巨大的人工成本使其發(fā)展受到了很大的限制。無(wú)監(jiān)督級(jí)聯(lián)方法有效的解決了基本層分類(lèi)問(wèn)題，然而不能區(qū)分相關(guān)性很大的從屬層類(lèi)別?；趯傩缘淖R(shí)別方法也顯示了很大的優(yōu)勢(shì)。這些技術(shù)通常是利用帶有屬性標(biāo)簽的訓(xùn)練數(shù)據(jù)學(xué)習(xí)判別性模型，然后應(yīng)用學(xué)習(xí)模型評(píng)估測(cè)試圖像恰當(dāng)?shù)囊曈X(jué)屬性。這些方法對(duì)于識(shí)別類(lèi)似皮毛，點(diǎn)或四條腿等屬性是有效的，但是對(duì)于區(qū)分從屬層對(duì)象間細(xì)微的差別卻顯得不甚理想。

發(fā)明內(nèi)容
本發(fā)明的目的旨在至少解決上述的技術(shù)缺陷之一。為達(dá)到上述目的，本發(fā)明一方面的實(shí)施例提出一種相似圖像分類(lèi)方法，包括以下步驟:S1:輸入待識(shí)別圖像并獲取所述待識(shí)別圖像的形狀特征、梯度特征、顏色特征和紋理特征；S2:將圖像庫(kù)中的訓(xùn)練樣本分割生成多個(gè)不同尺寸的局部區(qū)域圖像，并進(jìn)行尺度變換，獲得圖像模板集，所述圖像模板集中包括多個(gè)圖像模板；S3:分析所述圖像模板集中的圖像模板，并獲得圖像模板的形狀特征、梯度特征、顏色特征和紋理特征；S4:將所述待識(shí)別圖像與所述圖像模板集圖像的對(duì)應(yīng)特征進(jìn)行匹配，并進(jìn)行處理，獲得所述待識(shí)別圖像的圖像細(xì)節(jié)信息；S5:通過(guò)所述圖像表示數(shù)據(jù)并利用Bagging分類(lèi)器得到待識(shí)別圖像的類(lèi)別。根據(jù)本發(fā)明實(shí)施例的方法，通過(guò)對(duì)輸入圖像進(jìn)行形狀特征、梯度特征、顏色特征和紋理特征的提取和匹配，有效克服了仿射、光照等因素對(duì)分類(lèi)結(jié)果的影像，同時(shí)保證了圖像表示信息的完整性、豐富性和可判別性，保證了相似圖像的正確分類(lèi)。本發(fā)明的一個(gè)實(shí)例中，所述步驟S2具體包括:S21:將圖像庫(kù)中的訓(xùn)練樣本分割生成多個(gè)不同尺寸的局部區(qū)域圖像，構(gòu)成第一圖像模板集；S22:對(duì)所述第一圖像模板集中的各個(gè)圖像模板進(jìn)行尺度變換，獲得不同尺度的圖像模板，構(gòu)成圖像模板集。本發(fā)明的一個(gè)實(shí)例中，所述步驟S4具體包括:S41:將所述待識(shí)別圖像與所述圖像模板集中圖像的對(duì)應(yīng)特征進(jìn)行匹配，獲得待識(shí)別圖像的特征響應(yīng)圖，其中，所述待識(shí)別圖像的特征響應(yīng)圖包括形狀響應(yīng)圖、梯度響應(yīng)圖、顏色響應(yīng)圖和紋理響應(yīng)圖；S42:將所述待識(shí)別圖像的形狀響應(yīng)圖、梯度響應(yīng)圖、顏色響應(yīng)圖和紋理響應(yīng)圖的每幅響應(yīng)圖中的數(shù)值按從大到小排序，然后取排好序的數(shù)值中前多個(gè)數(shù)據(jù)，組成該幅響應(yīng)圖的第一特征集；S43:將所述待識(shí)別圖像的形狀響應(yīng)圖、梯度響應(yīng)圖、顏色響應(yīng)圖和紋理響應(yīng)圖的每幅響應(yīng)圖分別劃分為多個(gè)區(qū)域，并分別將所述每幅響應(yīng)圖中的每個(gè)區(qū)域中的數(shù)值按從大到小排序，然后分別取排好序的數(shù)值中前多個(gè)數(shù)據(jù)，按一定順序?qū)⑺袇^(qū)域取出的數(shù)據(jù)組成該幅響應(yīng)圖的第二特征集；S44:將所述每幅響應(yīng)圖的第一特征集和第二特征集進(jìn)行串聯(lián)，組成特征向量，分別將所有形狀響應(yīng)圖的特征向量串聯(lián)、所有梯度響應(yīng)圖的特征向量串聯(lián)、所有顏色響應(yīng)圖的特征向量串聯(lián)以及所有紋理響應(yīng)圖的特征向量串聯(lián)，得到待識(shí)別圖像的形狀融合特征向量、梯度融合特征向量、顏色融合特征向量和紋理融合特征向量；S45:將所述待識(shí)別圖像的形狀融合特征向量、梯度融合特征向量、顏色融合特征向量和紋理融合特征向量再次進(jìn)行融合，生成最終融合特征向量，用來(lái)表示待識(shí)別圖像細(xì)節(jié)信息。本發(fā)明的一個(gè)實(shí)例中，所述步驟S5具體包括:S51:設(shè)計(jì)Bagging分類(lèi)器的目標(biāo)函數(shù)；S52:通過(guò)所述目標(biāo)函數(shù)并利用所述圖像細(xì)節(jié)信息獲得特征向量權(quán)重集；S53:根據(jù)多個(gè)分類(lèi)器對(duì)所述特征向量權(quán)重集的置信度確定所述待識(shí)別圖像的類(lèi)別并輸出。為達(dá)到上述目的，本發(fā)明的實(shí)施例另一方面提出一種相似圖像分類(lèi)系統(tǒng)，包括:輸入模塊，用于輸入待識(shí)別圖像并獲取所述待識(shí)別圖像的形狀特征、梯度特征、顏色特征和紋理特征；劃分模塊，用于將圖像庫(kù)中的訓(xùn)練樣本分割生成多個(gè)不同尺寸的局部區(qū)域圖像，并將局部區(qū)域圖像分別進(jìn)行尺度變換，獲得圖像模板集，所述圖像模板集中包括多個(gè)圖像模板；分析模塊，用于分析所述圖像模板集中的圖像模板，并獲得圖像模板的形狀特征、梯度特征、顏色特征和紋理特征；匹配模塊，用于將所述待識(shí)別圖像與所述圖像模板集中圖像的對(duì)應(yīng)特征進(jìn)行匹配，并進(jìn)行處理，獲得所述待識(shí)別圖像的圖像細(xì)節(jié)信息；獲得模塊，用于通過(guò)所述圖像表示數(shù)據(jù)并利用Bagging分類(lèi)器得到待識(shí)別圖像的類(lèi)別。根據(jù)本發(fā)明實(shí)施例的方法，通過(guò)對(duì)輸入圖像進(jìn)行形狀特征、梯度特征、顏色特征和紋理特征的提取和匹配，有效克服了仿射、光照等因素對(duì)分類(lèi)結(jié)果的影像，同時(shí)保證了圖像表示信息的完整性、豐富性和可判別性，保證了相似圖像的正確分類(lèi)。本發(fā)明的一個(gè)實(shí)例中，所述劃分模塊包括:提取單元，用于將圖像庫(kù)中的訓(xùn)練樣本分割生成多個(gè)不同尺寸的局部區(qū)域圖像，構(gòu)成第一圖像模板集；尺度變換單元，用于對(duì)所述第一圖像模板集中的各個(gè)圖像模板進(jìn)行尺度變換，獲得不同尺度的圖像模板，構(gòu)成圖像模板集。本發(fā)明的一個(gè)實(shí)例中，所述匹配模塊包括:匹配單元，用于將所述待識(shí)別圖像與所述圖像模板集圖像的對(duì)應(yīng)特征進(jìn)行匹配，分別獲得待識(shí)別圖像的特征響應(yīng)圖，其中，所述待識(shí)別圖像的特征響應(yīng)圖包括形狀響應(yīng)圖、梯度響應(yīng)圖、顏色響應(yīng)圖和紋理響應(yīng)圖；查找單元，用于將所述待識(shí)別圖像的形狀響應(yīng)圖、梯度響應(yīng)圖、顏色響應(yīng)圖和紋理響應(yīng)圖的每幅響應(yīng)圖中的數(shù)值按從大到小排序，然后取排好序的數(shù)值中前多個(gè)數(shù)據(jù)，組成該幅響應(yīng)圖的第一特征集；劃分單元，用于將所述待識(shí)別圖像的形狀響應(yīng)圖、梯度響應(yīng)圖、顏色響應(yīng)圖和紋理響應(yīng)圖的每幅響應(yīng)圖分別劃分為多個(gè)區(qū)域，并分別將所述每幅響應(yīng)圖中的每個(gè)區(qū)域中的數(shù)值按從大到小排序，然后分別取排好序的數(shù)值中前多個(gè)數(shù)據(jù)，按一定順序?qū)⑺袇^(qū)域取出的數(shù)據(jù)組成該幅響應(yīng)圖的第二特征集；融合單元，用于將所述所有特征進(jìn)行有效融合，獲得最終融合特征向量，用來(lái)表示待識(shí)別圖像細(xì)節(jié)信息；第一融合單元，用于將所述每幅響應(yīng)圖的第一特征集和第二特征集進(jìn)行串聯(lián)，生成特征向量，分別將所有形狀響應(yīng)圖的特征向量串聯(lián)、所有梯度響應(yīng)圖的特征向量串聯(lián)、所有顏色響應(yīng)圖的特征向量串聯(lián)以及所有紋理響應(yīng)圖的特征向量串聯(lián)，得到待識(shí)別圖像的形狀融合特征向量、梯度融合特征向量、顏色融合特征向量和紋理融合特征向量；以及第二融合單元，用于將所述待識(shí)別圖像的形狀融合特征向量、梯度融合特征向量、顏色融合特征向量和紋理融合特征向量再次進(jìn)行融合，生成最終融合特征向量，用來(lái)表示待識(shí)別圖像細(xì)節(jié)信息。本發(fā)明的一個(gè)實(shí)例中，所述獲得模塊包括:設(shè)計(jì)單元，用于設(shè)計(jì)Bagging分類(lèi)器的目標(biāo)函數(shù)；獲得單元，用于通過(guò)所述目標(biāo)函數(shù)并利用所述圖像細(xì)節(jié)信息獲得特征向量權(quán)重集；確定輸出單元，用于根據(jù)多個(gè)分類(lèi)器對(duì)所述特征向量權(quán)重集的置信度確定所述待識(shí)別圖像的類(lèi)別并輸出。本發(fā)明附加的方面和優(yōu)點(diǎn)將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過(guò)本發(fā)明的實(shí)踐了解到。


本發(fā)明上述的和/或附加的方面和優(yōu)點(diǎn)從下面結(jié)合附圖對(duì)實(shí)施例的描述中將變得明顯和容易理解，其中:圖1為根據(jù)本發(fā)明一個(gè)實(shí)施例的相似圖像分類(lèi)方法的流程圖；圖2為根據(jù)本發(fā)明一個(gè)實(shí)施例的類(lèi)內(nèi)差別與類(lèi)間差別的比較圖；圖3為根據(jù)本發(fā)明一個(gè)實(shí)施例的相似圖像分類(lèi)系統(tǒng)的框架圖；圖4為根據(jù)本發(fā)明一個(gè)實(shí)施例的匹配模塊的結(jié)構(gòu)框圖。
具體實(shí)施例方式下面詳細(xì)描述本發(fā)明的實(shí)施例，實(shí)施例的示例在附圖中示出，其中自始至終相同或類(lèi)似的標(biāo)號(hào)表示相同或類(lèi)似的元件或具有相同或類(lèi)似功能的元件。下面通過(guò)參考附圖描述的實(shí)施例是示例性的，僅用于解釋本發(fā)明，而不能解釋為對(duì)本發(fā)明的限制。圖1為根據(jù)本發(fā)明一個(gè)實(shí)施例的相似圖像分類(lèi)方法的流程圖。如圖1所示，根據(jù)本發(fā)明實(shí)施例的相似圖像分類(lèi)方法，包括以下步驟:
步驟S101，輸入待識(shí)別圖像并獲取待識(shí)別圖像的形狀特征、梯度特征、顏色特征和紋理特征。具體地，由于SIFT算子對(duì)平移、旋轉(zhuǎn)、尺度縮放、亮度變化、遮擋和噪聲等具有良好的不變性，對(duì)視覺(jué)變化、仿射變換也保持一定程度的穩(wěn)定性，因此本發(fā)明提取SIFT算子作為圖像形狀特征。LBP具有旋轉(zhuǎn)不變性，同時(shí)能夠在很大程度上克服光照變化對(duì)圖像的影響，因此提取LBP算子作為圖像紋理特征表示。此外，相關(guān)文獻(xiàn)表明，圖像的梯度和顏色是圖像信息最有效的描述，因此同時(shí)提取圖像梯度特征和顏色特征表示圖像。步驟S102，將圖像庫(kù)中的訓(xùn)練樣本分割生成多個(gè)不同尺寸的局部區(qū)域圖像，并進(jìn)行尺度變換，獲得圖像模板集，圖像模板集中包括多個(gè)圖像模板。具體地，將圖像庫(kù)中的訓(xùn)練樣本分割生成多個(gè)不同尺寸的局部區(qū)域圖像，構(gòu)成第一圖像模板集，并對(duì)第一圖像模板集中的各個(gè)圖像模板進(jìn)行尺度變換，獲得不同尺度的圖像模板，構(gòu)成圖像模板集。其中，模板圖像的大小尺寸可以根據(jù)實(shí)際需要進(jìn)行調(diào)整和規(guī)范。步驟S103，分析 圖像模板集中的圖像模板，獲得圖像模板的形狀特征、梯度特征、顏色特征和紋理特征。具體地，由于SIFT算子對(duì)平移、旋轉(zhuǎn)、尺度縮放、亮度變化、遮擋和噪聲等具有良好的不變性，對(duì)視覺(jué)變化、仿射變換也保持一定程度的穩(wěn)定性，因此本發(fā)明提取SIFT算子作為圖像形狀特征。LBP具有旋轉(zhuǎn)不變性，同時(shí)能夠在很大程度上克服光照變化對(duì)圖像的影響，因此提取LBP算子作為圖像紋理特征表示。此外，相關(guān)文獻(xiàn)表明，圖像的梯度和顏色是圖像信息最有效的描述，因此同時(shí)提取圖像梯度特征和顏色特征表示圖像。步驟S104，將待識(shí)別圖像與圖像模板集中圖像的對(duì)應(yīng)特征進(jìn)行匹配并進(jìn)行處理，獲得待識(shí)別圖像的圖像細(xì)節(jié)信息。具體地，將待識(shí)別圖像與圖像模板集中圖像的對(duì)應(yīng)特征進(jìn)行匹配，分別獲得待識(shí)別圖像的形狀響應(yīng)圖、梯度響應(yīng)圖、顏色響應(yīng)圖和紋理響應(yīng)圖。然后，將待識(shí)別圖像的形狀響應(yīng)圖、梯度響應(yīng)圖、顏色響應(yīng)圖和紋理響應(yīng)圖的每幅響應(yīng)圖中的數(shù)值按從大到小排序，然后取排好序的數(shù)值中前多個(gè)數(shù)據(jù)，組成該幅響應(yīng)圖的第一特征集，并且將待識(shí)別圖像的形狀響應(yīng)圖、梯度響應(yīng)圖、顏色響應(yīng)圖和紋理響應(yīng)圖的每幅響應(yīng)圖分別劃分為多個(gè)區(qū)域，并分別將每幅響應(yīng)圖中的每個(gè)區(qū)域中的數(shù)值按從大到小排序，然后分別取排好序的數(shù)值中前多個(gè)數(shù)據(jù)，按一定順序?qū)⑺袇^(qū)域取出的數(shù)據(jù)組成該幅響應(yīng)圖的第二特征集。之后將每幅響應(yīng)圖的第一特征集和第二特征集進(jìn)行串聯(lián)，組成特征向量，分別將所有形狀響應(yīng)圖的特征向量串聯(lián)、所有梯度響應(yīng)圖的特征向量串聯(lián)、所有顏色響應(yīng)圖的特征向量串聯(lián)以及所有紋理響應(yīng)圖的特征向量串聯(lián)，得到待識(shí)別圖像的形狀融合特征向量、梯度融合特征向量、顏色融合特征向量和紋理融合特征向量。最后，將待識(shí)別圖像的形狀融合特征向量、梯度融合特征向量、顏色融合特征向量和紋理融合特征向量再次進(jìn)行融合，生成最終融合特征向量，用來(lái)表不待識(shí)別圖像細(xì)節(jié)彳目息。步驟S105，通過(guò)圖像表示數(shù)據(jù)并利用Bagging分類(lèi)器得到待識(shí)別圖像的類(lèi)別。具體地，設(shè)計(jì)Bagging分類(lèi)器的目標(biāo)函數(shù)，其目標(biāo)函數(shù)如下:
權(quán)利要求
1.一種相似圖像分類(lèi)方法，其特征在于，包括以下步驟: S1:輸入待識(shí)別圖像并獲取所述待識(shí)別圖像的形狀特征、梯度特征、顏色特征和紋理特征； S2:將圖像庫(kù)中的訓(xùn)練樣本分割生成多個(gè)不同尺寸的局部區(qū)域圖像，并進(jìn)行尺度變換，獲得圖像模板集，所述圖像模板集中包括多個(gè)圖像模板； S3:分析所述圖像模板集中的圖像模板，并獲得圖像模板的形狀特征、梯度特征、顏色特征和紋理特征； 54:將所述待識(shí)別圖像與所述圖像模板集圖像的對(duì)應(yīng)特征進(jìn)行匹配，并進(jìn)行處理，獲得所述待識(shí)別圖像的圖像細(xì)節(jié)信息； 55:通過(guò)所述圖像表示數(shù)據(jù)并利用Bagging分類(lèi)器得到待識(shí)別圖像的類(lèi)別。
2.根據(jù)權(quán)利要求1所述的相似圖像分類(lèi)方法，其特征在于，所述步驟S2具體包括: S21:將圖像庫(kù)中的訓(xùn)練樣本分割生成多個(gè)不同尺寸的局部區(qū)域圖像，構(gòu)成第一圖像模板集； S22:對(duì)所述第一圖像模板集中的各個(gè)圖像模板進(jìn)行尺度變換，獲得不同尺度的圖像模板，構(gòu)成圖像模板集。
3.根據(jù)權(quán)利要求1所述的相似`圖像分類(lèi)方法，其特征在于，所述步驟S4具體包括: 541:將所述待識(shí)別圖像與所述圖像模板集中圖像的對(duì)應(yīng)特征進(jìn)行匹配，獲得待識(shí)別圖像的特征響應(yīng)圖，其中，所述待識(shí)別圖像的特征響應(yīng)圖包括形狀響應(yīng)圖、梯度響應(yīng)圖、顏色響應(yīng)圖和紋理響應(yīng)圖； 542:將所述待識(shí)別圖像的形狀響應(yīng)圖、梯度響應(yīng)圖、顏色響應(yīng)圖和紋理響應(yīng)圖的每幅響應(yīng)圖中的數(shù)值按從大到小排序，然后取排好序的數(shù)值中前多個(gè)數(shù)據(jù)，組成該幅響應(yīng)圖的第一特征集； 543:將所述待識(shí)別圖像的形狀響應(yīng)圖、梯度響應(yīng)圖、顏色響應(yīng)圖和紋理響應(yīng)圖的每幅響應(yīng)圖分別劃分為多個(gè)區(qū)域，并分別將所述每幅響應(yīng)圖中的每個(gè)區(qū)域中的數(shù)值按從大到小排序，然后分別取排好序的數(shù)值中前多個(gè)數(shù)據(jù)，按一定順序?qū)⑺袇^(qū)域取出的數(shù)據(jù)組成該幅響應(yīng)圖的第二特征集； S44:將所述每幅響應(yīng)圖的第一特征集和第二特征集進(jìn)行串聯(lián)，組成特征向量，分別將所有形狀響應(yīng)圖的特征向量串聯(lián)、所有梯度響應(yīng)圖的特征向量串聯(lián)、所有顏色響應(yīng)圖的特征向量串聯(lián)以及所有紋理響應(yīng)圖的特征向量串聯(lián)，得到待識(shí)別圖像的形狀融合特征向量、梯度融合特征向量、顏色融合特征向量和紋理融合特征向量； S45:將所述待識(shí)別圖像的形狀融合特征向量、梯度融合特征向量、顏色融合特征向量和紋理融合特征向量再次進(jìn)行融合，生成最終融合特征向量，用來(lái)表示待識(shí)別圖像細(xì)節(jié)信肩、O
4.根據(jù)權(quán)利要求1所述的相似圖像分類(lèi)方法，其特征在于，所述步驟S5具體包括: 551:設(shè)計(jì)Bagging分類(lèi)器的目標(biāo)函數(shù)； 552:通過(guò)所述目標(biāo)函數(shù)并利用所述圖像細(xì)節(jié)信息獲得特征向量權(quán)重集； S53:根據(jù)多個(gè)分類(lèi)器對(duì)所述特征向量權(quán)重集的置信度確定所述待識(shí)別圖像的類(lèi)別并輸出。
5.一種相似圖像分類(lèi)系統(tǒng)，其特征在于，包括:輸入模塊，用于輸入待識(shí)別圖像并獲取所述待識(shí)別圖像的形狀特征、梯度特征、顏色特征和紋理特征； 劃分模塊，用于將圖像庫(kù)中的訓(xùn)練樣本分割生成多個(gè)不同尺寸的局部區(qū)域圖像，并將局部區(qū)域圖像分別進(jìn)行尺度變換，獲得圖像模板集，所述圖像模板集中包括多個(gè)圖像模板； 分析模塊，用于分析所述圖像模板集中的圖像模板，并獲得圖像模板的形狀特征、梯度特征、顏色特征和紋理特征； 匹配模塊，用于將所述待識(shí)別圖像與所述圖像模板集中圖像的對(duì)應(yīng)特征進(jìn)行匹配，并進(jìn)行處理，獲得所述待識(shí)別圖像的圖像細(xì)節(jié)信息； 獲得模塊，用于通過(guò)所述圖像表示數(shù)據(jù)并利用Bagging分類(lèi)器得到待識(shí)別圖像的類(lèi)別。
6.根據(jù)權(quán)利要求5所述的相似圖像分類(lèi)系統(tǒng)，其特征在于，所述劃分模塊包括: 提取單元，用于將圖像庫(kù)中的訓(xùn)練樣本分割生成多個(gè)不同尺寸的局部區(qū)域圖像，構(gòu)成第一圖像模板集； 尺度變換單元，用于對(duì)所 述第一圖像模板集中的各個(gè)圖像模板進(jìn)行尺度變換，獲得不同尺度的圖像模板，構(gòu)成圖像模板集。
7.根據(jù)權(quán)利要求5所述的相似圖像分類(lèi)系統(tǒng)，其特征在于，所述匹配模塊包括: 匹配單元，用于將所述待識(shí)別圖像與所述圖像模板集圖像的對(duì)應(yīng)特征進(jìn)行匹配，分別獲得待識(shí)別圖像的特征響應(yīng)圖，其中，所述待識(shí)別圖像的特征響應(yīng)圖包括形狀響應(yīng)圖、梯度響應(yīng)圖、顏色響應(yīng)圖和紋理響應(yīng)圖； 查找單元，用于將所述待識(shí)別圖像的形狀響應(yīng)圖、梯度響應(yīng)圖、顏色響應(yīng)圖和紋理響應(yīng)圖的每幅響應(yīng)圖中的數(shù)值按從大到小排序，然后取排好序的數(shù)值中前多個(gè)數(shù)據(jù)，組成該幅響應(yīng)圖的第一特征集； 劃分單元，用于將所述待識(shí)別圖像的形狀響應(yīng)圖、梯度響應(yīng)圖、顏色響應(yīng)圖和紋理響應(yīng)圖的每幅響應(yīng)圖分別劃分為多個(gè)區(qū)域，并分別將所述每幅響應(yīng)圖中的每個(gè)區(qū)域中的數(shù)值按從大到小排序，然后分別取排好序的數(shù)值中前多個(gè)數(shù)據(jù)，按一定順序?qū)⑺袇^(qū)域取出的數(shù)據(jù)組成該幅響應(yīng)圖的第二特征集； 第一融合單元，用于將所述每幅響應(yīng)圖的第一特征集和第二特征集進(jìn)行串聯(lián)，生成特征向量，分別將所有形狀響應(yīng)圖的特征向量串聯(lián)、所有梯度響應(yīng)圖的特征向量串聯(lián)、所有顏色響應(yīng)圖的特征向量串聯(lián)以及所有紋理響應(yīng)圖的特征向量串聯(lián)，得到待識(shí)別圖像的形狀融合特征向量、梯度融合特征向量、顏色融合特征向量和紋理融合特征向量；以及 第二融合單元，用于將所述待識(shí)別圖像的形狀融合特征向量、梯度融合特征向量、顏色融合特征向量和紋理融合特征向量再次進(jìn)行融合，生成最終融合特征向量，用來(lái)表示待識(shí)別圖像細(xì)節(jié)信息。
8.根據(jù)權(quán)利要求5所述的相似圖像分類(lèi)系統(tǒng)，其特征在于，所述獲得模塊包括: 設(shè)計(jì)單元，用于設(shè)計(jì)Bagging分類(lèi)器的目標(biāo)函數(shù)； 獲得單元，用于通過(guò)所述目標(biāo)函數(shù)并利用所述圖像細(xì)節(jié)信息獲得特征向量權(quán)重集；確定輸出單元，用于根據(jù)多個(gè)分類(lèi)器對(duì)所述特征向量權(quán)重集的置信度確定所述待識(shí)別圖像的類(lèi)別并輸出。
全文摘要
本發(fā)明提出一種相似圖像分類(lèi)方法及系統(tǒng)。其中，方法包括以下步驟輸入待識(shí)別圖像并獲取待識(shí)別圖像的形狀特征、梯度特征、顏色特征和紋理特征；將圖像庫(kù)中的訓(xùn)練樣本分割生成多個(gè)不同尺寸的局部區(qū)域圖像，并進(jìn)行尺度變換，獲得圖像模板集，圖像模板集中包括多個(gè)圖像模板；分析圖像模板集中的圖像模板，并獲得圖像模板的形狀特征、梯度特征、顏色特征和紋理特征；將待識(shí)別圖像與圖像模板集圖像的對(duì)應(yīng)特征進(jìn)行匹配，并進(jìn)行處理，獲得待識(shí)別圖像的圖像細(xì)節(jié)信息；通過(guò)圖像表示數(shù)據(jù)并利用Bagging分類(lèi)器得到待識(shí)別圖像的類(lèi)別。根據(jù)本發(fā)明實(shí)施例的方法，通過(guò)對(duì)輸入圖像進(jìn)行形狀特征、梯度特征、顏色特征和紋理特征的提取和匹配，實(shí)現(xiàn)了相似圖像的正確分類(lèi)。
文檔編號(hào)G06F17/30GK103106265SQ20131003774
公開(kāi)日2013年5月15日 申請(qǐng)日期2013年1月30日 優(yōu)先權(quán)日2013年1月30日
發(fā)明者王瑜, 于重重, 張慧妍 申請(qǐng)人:北京工商大學(xué)