本文選題：圖像分類 + 特征融合��； 參考：《計算機應用》2017年12期

【摘要】：針對傳統(tǒng)稀疏編碼圖像分類算法提取單一類型特征,忽略圖像的空間結(jié)構(gòu)信息,特征編碼時無法充分利用特征拓撲結(jié)構(gòu)信息的問題,提出了基于多尺度特征融合Hessian稀疏編碼的圖像分類算法(HSC)。首先,對圖像進行空間金字塔多尺度劃分;其次,在各個子空間層將方向梯度直方圖(HOG)和尺度不變特征轉(zhuǎn)換(SIFT)進行有效的融合;然后,為了充分利用特征的拓撲結(jié)構(gòu)信息,在傳統(tǒng)稀疏編碼目標函數(shù)中引入二階Hessian能量函數(shù)作為正則項;最后,利用支持向量機(SVM)進行分類。在Scene15數(shù)據(jù)集上的實驗結(jié)果表明,HSC的準確率比局部約束線性編碼(LLC)高了3~5個百分點,比支持區(qū)別性字典學習(SDDL)等對比方法高了1~3個百分點;在Caltech101數(shù)據(jù)集上的耗時實驗結(jié)果表明,HSC的用時比多核學習稀疏編碼(MKLSC)少40%左右。所提HSC可以有效提高圖像分類準確率,算法的效率也優(yōu)于對比算法。
[Abstract]:To solve the problem that traditional sparse coding image classification algorithm extracts a single type of feature and ignores the spatial structure information of the image, it can not make full use of the feature topological structure information in the feature coding. An image classification algorithm based on multi-scale feature fusion Hessian sparse coding is proposed. Firstly, the image is divided into multi-scale pyramid. Secondly, the directional gradient histogram (hog) and the scale-invariant feature transform (sift) are fused effectively in each subspace layer. Then, in order to make full use of the topological structure information of the feature, The second order Hessian energy function is introduced as the regular term in the traditional sparse coding objective function. Finally, support vector machine (SVM) is used to classify. The experimental results on the Scene15 dataset show that the accuracy of HSC is 3 ~ 5 percentage points higher than that of LLC with local constraints, and 1 ~ 3 percentage points higher than that of the comparison methods such as supporting differential dictionary learning. The experimental results on the Caltech101 data set show that the time consumption of HSC is about 40% less than that of MKLSCs. The proposed HSC can effectively improve the accuracy of image classification, and the efficiency of the algorithm is better than that of the contrast algorithm.
【作者單位】： 華南理工大學電子與信息學院;
【基金】：國家自然科學基金資助項目(61202292) 廣東省自然科學基金資助項目(9151064101000037)~~
【分類號】：TP391.41

【相似文獻】

相關(guān)期刊論文 前10條

1 孫俊,王文淵,卓晴;基于稀疏編碼的提取人臉整體特征算法[J];清華大學學報(自然科學版);2002年03期

2 晁永國;戴芳;韓舒然;何靜;;改進的非負稀疏編碼圖像基學習算法[J];計算機工程與科學;2010年01期

3 謝堯芳;蘇松志;李紹滋;;基于稀疏編碼的遷移學習及其在行人檢測中的應用[J];廈門大學學報(自然科學版);2010年02期

4 郎利影;夏飛佳;;人臉識別中的零范數(shù)稀疏編碼[J];應用科學學報;2012年03期

5 程東陽;蔣興浩;孫錟鋒;;基于稀疏編碼和多核學習的圖像分類算法[J];上海交通大學學報;2012年11期

6 鄒柏賢;苗軍;;自然圖像稀疏編碼模型研究綜述[J];鄭州大學學報(工學版);2013年03期

7 劉偉鋒;劉紅麗;王延江;;基于多分離部件稀疏編碼的人臉圖像分析[J];模式識別與人工智能;2013年11期

8 張抒;蔡勇;解梅;;基于局部區(qū)域稀疏編碼的人臉檢測[J];軟件學報;2013年11期

9 單桂軍;廖建鋒;;最大似然稀疏編碼在人臉識別中的研究[J];電視技術(shù);2013年23期

10 王瑞霞;彭國華;鄭紅嬋;;拉普拉斯稀疏編碼的圖像檢索算法[J];計算機科學;2014年08期

相關(guān)會議論文 前4條

1 尚麗;;使用正態(tài)可逆高斯密度模型的非負稀疏編碼收縮技術(shù)實現(xiàn)圖像消噪[A];蘇州市自然科學優(yōu)秀學術(shù)論文匯編(2008-2009)[C];2010年

2 吳珊娜;覃華;;基于Hessian協(xié)議的輕量級SOA系統(tǒng)集成方案的研究[A];廣西計算機學會2009年年會論文集[C];2009年

3 ;Development of Large Scale Programming System Based on Linux Platform[A];Proceedings of the 2011 Chinese Control and Decision Conference（CCDC）[C];2011年

4 劉揚;程健;盧漢清;;基于目標局部特征的遷移式學習[A];第十四屆全國圖象圖形學學術(shù)會議論文集[C];2008年

相關(guān)博士學位論文 前9條

1 孫宇平;基于稀疏表征和自相似性的視覺數(shù)據(jù)識別關(guān)鍵技術(shù)及應用[D];華南理工大學;2015年

2 呂京磊;基于功能磁共振成像的大腦架構(gòu)表達的研究[D];西北工業(yè)大學;2016年

3 王婧;面向在線環(huán)境的數(shù)據(jù)編碼問題研究[D];合肥工業(yè)大學;2015年

4 李清勇;視覺感知的稀疏編碼理論及其應用研究[D];中國科學院研究生院（計算技術(shù)研究所）;2006年

5 季昊;稀疏編碼研究及其在模式識別中的應用[D];北京郵電大學;2012年

6 孫俊;人臉圖像分析和識別方法研究[D];清華大學;2001年

7 朱秋平;基于稀疏編碼的織物瑕疵檢測算法研究[D];武漢大學;2014年

8 謝錦生;基于動態(tài)感知與異常注意的目標描述方法研究[D];中國科學技術(shù)大學;2012年

9 劉小白;圖像及視頻語義解析的關(guān)鍵技術(shù)研究[D];華中科技大學;2012年

相關(guān)碩士學位論文 前10條

1 柏文強;基于局部特征提取和稀疏編碼的人臉識別算法研究[D];燕山大學;2015年

2 李明;目標檢測與識別算法研究與應用[D];中央民族大學;2015年

3 許濤;面向視頻管理的指紋特征提取技術(shù)研究[D];電子科技大學;2015年

4 謝易道;大規(guī)模人臉圖像編碼及其在人臉驗證中的應用研究[D];電子科技大學;2015年

5 勾珍珍;基于空間約束和稀疏編碼的高光譜圖像分類[D];西安電子科技大學;2014年

6 張文義;基于智能監(jiān)控系統(tǒng)的圖像質(zhì)量增強算法的研究[D];南京郵電大學;2015年

7 丁文秀;基于分層深度學習的行人分類方法研究[D];合肥工業(yè)大學;2015年

8 賀兵;基于稀疏編碼哈希的跨模多媒體檢索[D];安徽大學;2016年

9 申丹飛;基于篩選稀疏編碼的多特征融合圖像分類方法[D];華東師范大學;2016年

10 孟浩浩;基于秩限制的聯(lián)合字典學習[D];北京理工大學;2016年

，

本文編號：1794664