一种鲁棒二值属性学习方法及系统
阅读说明：本技术 一种鲁棒二值属性学习方法及系统 (Robust binary attribute learning method and system ) 是由 于治楼 袭肖明 于 2019-10-28 设计创作，主要内容包括：本发明公开了一种鲁棒二值属性学习方法及系统,属于计算机视觉技术领域。本发明的鲁棒二值属性学习方法,将每个二值码作为一个属性,表示目标的物理特征,构建二值属性学习器,并根据构建的二值属性学习期来构建关联二值码特征学习器,直接学习多个相关的二值属性,获得多维二值码特征,融合多个二值码属性和关联多维二值码,将待测试图像输入到二值属性学习器和关联二值码特征学习器,获得该图像的辨别性二值码特征表示,将辨别性二值码特征表示与注册的二值码模板比对,基于相似度判断辨别性二值码与注册的二值码是否为同一类。该发明的鲁棒二值属性学习方法具有较好的理解性和鲁棒性,能够有望提高识别精度和效率,具有很好的推广应用价值。(The invention discloses a robust binary attribute learning method and a robust binary attribute learning system, and belongs to the technical field of computer vision. The robust binary attribute learning method comprises the steps of taking each binary code as an attribute, representing physical characteristics of a target, constructing a binary attribute learner, constructing a related binary code characteristic learner according to a constructed binary attribute learning period, directly learning a plurality of related binary attributes, obtaining multi-dimensional binary code characteristics, fusing a plurality of binary code attributes and related multi-dimensional binary codes, inputting an image to be tested into the binary attribute learner and the related binary code characteristic learner, obtaining discriminative binary code characteristic representation of the image, comparing the discriminative binary code characteristic representation with a registered binary code template, and judging whether the discriminative binary code and the registered binary code are in the same class or not based on similarity. The robust binary attribute learning method has better comprehensiveness and robustness, can hopefully improve the identification precision and efficiency, and has good popularization and application values.)
技术领域
本发明涉及计算机视觉技术领域，具体提供一种鲁棒二值属性学习方法及系统。
背景技术
二值码具有易存储、计算效率高等优势。在计算机视觉领域中，二值码一个重要的应用是作为目标的表示属性特征。然而，传统的二值码特征可理解性较差，且不具备较好的鲁棒性。如何有效解决现有二值码特征可理解性差、鲁棒性不好等问题，具有重要的研究意义和应用价值。针对现有二值码方法存在的问题，本发明提出了一种直观的鲁棒二值码学习方法。提出的二值码特征具有较好的理解性和鲁棒性，有望提高识别精度和效率。
发明内容
本发明的技术任务是针对上述存在的问题，提供一种具有较好的理解性和鲁棒性，能够有望提高识别精度和效率的鲁棒二值属性学习方法。
本发明进一步的技术任务是提供一种鲁棒二值属性学习系统。
为实现上述目的，本发明提供了如下技术方案：
一种鲁棒二值属性学习方法，将每个二值码作为一个属性，表示目标的物理特征，构建二值属性学习器，并根据构建的二值属性学习期来构建关联二值码特征学习器，直接学习多个相关的二值属性，获得多维二值码特征，融合多个二值码属性和关联多维二值码，将待测试图像输入到二值属性学习器和关联二值码特征学习器，获得该图像的辨别性二值码特征表示，将辨别性二值码特征表示与注册的二值码模板比对，得出两者的相似度，基于相似度判断辨别性二值码与注册的二值码是否为同一类。
该鲁棒二值属性学习方法具有较好的理解性和鲁棒性，能够有望提高识别精度和效率。
作为优选，该鲁棒二值属性学习方法具体包括以下步骤：
S1、训练阶段
1)构建二值属性学习器；
2)构建关联二值码学习器；
S2、测试阶段，将待测试图像分别输入到二值属性学习器和关联二值码学习器，获得该图像的辨别性二值码特征表示，将辨别性二值码特征表示与注册的二值码模板比对，得出两者的相似度，基于相似度判断辨别性二值码与注册的二值码是否为同一类。
作为优选，构建二值属性学习器过程中，基于对样本中目标的认知先验知识获取要识别的目标的二值属性，根据每个属性的值，将样本分为正类和负类，基于收集到的样本和属性标记，利用densenet进行训练，得到二值属性学习器。
作为优选，利用卷积神经网络学习框架构建关联二值码学习器，网络架构采用densenet，在损失层引入关联损失函数，如公式(1)所示，通过最小化目标函数，获得关联二值码学习器，
其中，t为二值属性的数目，Y(i，k)为所有样本第k个属性的值，X为输入图像，是个nxd的矩阵，Wk为相关的权重向量，ɑ是超参数。
作为优选，测试阶段首先将待测试图像分别输入到二值属性学习器和关联二值码学习器，获得该图像的辨别性二值码特征表示，将辨别性二值码特征表示与注册的二值码模板比对，利用海名距测量得出两者的相似度，基于相似度判断辨别性二值码与注册的二值码是否为同一类。
一种鲁棒二值属性学习系统，该系统包括训练模块和测试模块：
训练模块用于在训练阶段构建二值属性学习器和构建关联二值码学习器；
测试模块用于在测试阶段将待测试图像分别输入到二值属性学习器和关联二值码学习器，获得该图像的辨别性二值码特征表示，将辨别性二值码特征表示与注册的二值码模板比对，得出两者的相似度，基于相似度判断辨别性二值码与注册的二值码是否为同一类。
作为优选，训练模块的构建二值属性学习器过程中，基于对样本中目标的认知先验知识获取要识别的目标的二值属性，根据每个属性的值，将样本分为正类和负类，基于收集到的样本和属性标记，利用densenet进行训练，得到二值属性学习器。
作为优选，训练模块中，利用卷积神经网络学习框架构建关联二值码学习器，网络架构采用densenet，在损失层引入关联损失函数，如公式(1)所示，通过最小化目标函数，获得关联二值码学习器，
其中，t为二值属性的数目，Y(i，k)为所有样本第k个属性的值，X为输入图像，是个nxd的矩阵，Wk为相关的权重向量，ɑ是超参数。
作为优选，测试模块在测试阶段首先将待测试图像分别输入到二值属性学习器和关联二值码学习器，获得该图像的辨别性二值码特征表示，将辨别性二值码特征表示与注册的二值码模板比对，利用海名距测量得出两者的相似度，基于相似度判断辨别性二值码与注册的二值码是否为同一类。
与现有技术相比，本发明的鲁棒二值属性学习方法具有以下突出的有益效果：所述鲁棒二值属性学习方法具有较好的理解性和鲁棒性，能够有望提高识别精度和效率，具有良好的推广应用价值。
具体实施方式
下面将结合实施例，对本发明的鲁棒二值属性学习方法及系统作进一步详细说明。
实施例
本发明的鲁棒二值属性学习方法，将每个二值码作为一个属性，表示目标的物理特征，构建二值属性学习器，并根据构建的二值属性学习期来构建关联二值码特征学习器，直接学习多个相关的二值属性，获得多维二值码特征，融合多个二值码属性和关联多维二值码，将待测试图像输入到二值属性学习器和关联二值码特征学习器，获得该图像的辨别性二值码特征表示，将辨别性二值码特征表示与注册的二值码模板比对，得出两者的相似度，基于相似度判断辨别性二值码与注册的二值码是否为同一类。
该鲁棒二值属性学习方法具体包括以下步骤：
S1、训练阶段
1)构建二值属性学习器。
构建二值属性学习器过程中，基于对样本中目标的认知先验知识获取要识别的目标的二值属性，根据每个属性的值，将样本分为正类和负类，基于收集到的样本和属性标记，利用densenet进行训练，得到二值属性学习器。
例如，在本发明中，假设要识别的目标包括小鸟、小雨和小猫，则可设计相应的二值属性，每个属性可以看作是目标的重要组成部分。例如，在上例中，是否会飞、是否会游泳、是否有尾巴等通过人对目标的认知先验信息都可以作为二值属性。对于是否会游泳，可将沙丁鱼、金鱼等会游泳的目标的样本看作正类，属性值为1，将小狗、小猫、大鸟等目标的样本看作负类，属性值为0。基于收集到的样本和属性标记，利用densenet进行训练，训练得到的densenet即为是否会游泳属性的学习器。对于待测样本，只需要输入图像，就可以获得相应属性值。
2)构建关联二值码学习器。
利用卷积神经网络学习框架构建关联二值码学习器，网络架构采用densenet，在损失层引入关联损失函数，如公式(1)所示，通过最小化目标函数，获得关联二值码学习器，
其中，t为二值属性的数目，Y(i，k)为所有样本第k个属性的值，X为输入图像，是个nxd的矩阵，Wk为相关的权重向量，ɑ是超参数。
S2、测试阶段，将待测试图像分别输入到二值属性学习器和关联二值码学习器，获得该图像的辨别性二值码特征表示，将辨别性二值码特征表示与注册的二值码模板比对，得出两者的相似度，基于相似度判断辨别性二值码与注册的二值码是否为同一类。
测试阶段首先将待测试图像分别输入到二值属性学习器和关联二值码学习器，获得该图像的辨别性二值码特征表示，将辨别性二值码特征表示与注册的二值码模板比对，利用海名距测量得出两者的相似度，基于相似度判断辨别性二值码与注册的二值码是否为同一类。
一种鲁棒二值属性学习系统，该系统包括训练模块和测试模块：
训练模块用于在训练阶段构建二值属性学习器和构建关联二值码学习器；
测试模块用于在测试阶段将待测试图像分别输入到二值属性学习器和关联二值码学习器，获得该图像的辨别性二值码特征表示，将辨别性二值码特征表示与注册的二值码模板比对，得出两者的相似度，基于相似度判断辨别性二值码与注册的二值码是否为同一类。
作为优选，训练模块的构建二值属性学习器过程中，基于对样本中目标的认知先验知识获取要识别的目标的二值属性，根据每个属性的值，将样本分为正类和负类，基于收集到的样本和属性标记，利用densenet进行训练，得到二值属性学习器。
作为优选，训练模块中，利用卷积神经网络学习框架构建关联二值码学习器，网络架构采用densenet，在损失层引入关联损失函数，如公式(1)所示，通过最小化目标函数，获得关联二值码学习器，
其中，t为二值属性的数目，Y(i，k)为所有样本第k个属性的值，X为输入图像，是个nxd的矩阵，Wk为相关的权重向量，ɑ是超参数。
作为优选，测试模块在测试阶段首先将待测试图像分别输入到二值属性学习器和关联二值码学习器，获得该图像的辨别性二值码特征表示，将辨别性二值码特征表示与注册的二值码模板比对，利用海名距测量得出两者的相似度，基于相似度判断辨别性二值码与注册的二值码是否为同一类。
以上所述的实施例，只是本发明较优选的具体实施方式，本领域的技术人员在本发明技术方案范围内进行的通常变化和替换都应包含在本发明的保护范围内。