基于SIFT特征表示和稀疏編碼的多標記場景分類.pdf

1、隨著現(xiàn)代社會的信息技術發(fā)展和現(xiàn)實需要，圖像作為信息的一種快速、有效地描述方式和存儲載體，獲得了大眾的廣泛關注。如何讓計算機按照人腦對信息的解譯方式準確地、快速地從大量的圖像信息中自動獲取所需的信息，成為了計算機視覺領域中一個亟待解決的問題。多標記學習是針對現(xiàn)實世界中普遍存在的多義性對象而提出的一種學習框架，目前廣泛應用于目標分類和識別問題中。由于尺度不變特征變換（Scale-Invariant Feature Transform，SIF

2、T)可以克服由圖像平移、旋轉、亮度和尺度變化帶來的誤分，且該方法對于光線、噪聲、微視角改變、部分物體遮蔽的容忍度也相當高，在文本分類、自然場景分類和視頻分類中均取得了較好的結果。因此，本文基于SIFT特征表示，利用空間金字塔模型的稀疏編碼和局部線性約束編碼方式對特征進行編碼，利用多標記k近鄰（Multi-Label k-Nearest-Neighbor， ML-kNN)和排序支撐矢量機（Rank Support Vector Machi

3、ne, Rank-SVM)對目標進行多標記分類。
　　（1）提出了一種基于SIFT特征表示和稀疏編碼的自然場景多標記分類方法，本方法通過提取圖像的密集SIFT特征，首先用空間金字塔稀疏編碼模型對圖像進行特征表示和編碼，然后用最大化池化方式得到圖像的特征分布，最后用兩種多標記分類方法分別對自然場景進行分類，得到自然場景圖像的分類結果。該方法豐富了圖像的空間信息，且特征得到了高效地編碼，從而可得到更好的分類結果。
　?。?）提出

4、了一種基于SIFT特征表示和局部線性約束編碼的自然場景多標記分類方法，本方法通過從不同尺度提取圖像的密集SIFT特征，建立多尺度字典，結合空間金字塔局部線性約束編碼模型對圖像進行特征表示和編碼，然后用最大化池化方式對圖像特征分布進行統(tǒng)計并用限制玻爾茲曼機進行特征降維，最后用兩種多標記分類方法分別對自然場景進行分類，得到自然場景的多標記分類結果。該方法不僅豐富了圖像的空間信息，還豐富了特征的尺度信息，且局部線性約束編碼更快速、有效，經過限