索 静,宋林林,李 强

(1.太原工业学院 电子工程系,太原 030000; 2.太原理工大学 信息与计算机学院,山西 晋中 030600)

0 概述

图像集分类[1]是指从多个图像中进行目标识别的过程,对于图像集分类问题而言,训练集由各个类别中的一个或多个图像集构成,测试集包含具有相同主题的多个图像,分类算法通过某些相似度指标可对这些测试图像集与训练图像集进行匹配,进而确定测试图像的主题。与传统的基于目标识别的单图像分类算法相比,图像集分类算法具有多种优势,其可有效应对图像内的多种外观变化,如视角变化、遮挡、非刚性形变、光照变化及背景变化等。上述特性使得图像集分类技术在侦察、基于视频的脸部识别、摄像头网络人脸检测等领域得到广泛应用,引起了计算机视觉和模式识别领域相关学者的关注[2]。本文利用线性回归分类(Linear Regression Classification,LRC)和共享最近邻(Share Nearest Neighbor,SNN)子空间分类理论进行图像重建和识别,并提出一种改进的基于LRC-SNN的图像集高效分类算法。

1 相关工作

近年来,图像分类算法成为图像处理领域的研究热点之一。文献[3]提出了一种圆周特征描述方法,该方法利用圆心在轮廓线上的圆、轮廓线、叶片形状区域两两相交所得到的3类叶片图像的圆周特征,通过改变圆的半径来产生由粗到细的圆周特征描述。文献[4]提出了一种基于深度卷积神经网络、可应用于大规模图像分类的深度学习框架,其在经典AlexNet的基础上分别从框架和内部结构2个方面对网络进行优化和改进。……