【摘要】 本发明公开了一种涉及图像目标分割和识别领域的基于先验形状稀疏凸组合的同步目标分割和识别方法，包括对第一训练形状集进行姿态归一化处理得到第二训练形状集；采用PCA对第二训练形状集进行降维处理得到第三训练形状集；初始化第一稀疏系数向量；采用第一稀疏系数向量对第三训练形状集进行稀疏凸组合得到第一目标形状；构造第一目标函数，并对所述第一目标函数采用梯度下降法求得第二目标形状；对第二目标形状进行姿态归一化处理得到第三目标形状；构造第二目标函数，并采用SMO方法对所述第二目标函数进行求解得到第二稀疏系数向量；采用第二稀疏系数向量对第二训练形状集进行稀疏凸组合得到第四目标形状，实现目标分割和目标识别。 【专利类型】发明授权 【申请人】浙江大学 【申请人类型】学校 【申请人地址】310027 浙江省杭州市西湖区浙大路38号 【申请人地区】中国 【申请人城市】杭州市 【申请人区县】西湖区 【申请号】CN201210087477.9 【申请日】2012-03-29 【申请年份】2012 【公开公告号】CN102663427B 【公开公告日】2014-03-05 【公开公告年份】2014 【授权公告号】CN102663427B 【授权公告日】2014-03-05 【授权公告年份】2014.0 【IPC分类号】G06K9/62 【发明人】于慧敏; 潘能杰; 陈飞; 胡浩基 【主权项内容】一种基于先验形状稀疏凸组合的同步目标分割和识别方法，采用概率定义来表示训练形状和目标形状，其特征在于包括：A)从训练图像中提取出形状组成第一训练形状集，对第一训练形状集中的训练形状进行姿态归一化处理，得到第二训练形状集；B)采用主成分分析方法PCA对所述第二训练形状集进行降维处理，得到第三训练形状集；C)对稀疏系数向量进行初始化得到第一稀疏系数向量；D)采用所述第一稀疏系数向量对所述第三训练形状集进行稀疏凸组合得到第一目标形状；E)利用图像低层数据，所述第二训练形状集和所述第一稀疏系数向量来构造第一目标函数；F)采用梯度下降法对所述第一目标函数进行求解得到第二目标形状；G)对所述第二目标形状进行姿态归一化处理和PCA降维处理得到第三目标形状；H)所述第一目标形状和所述第三目标形状之间的累积平方误差ISE构成第二目标函数；I)采用最小序贯法SMO对所述第二目标函数进行求解得到第二稀疏系数向量；J)若求得的第二稀疏系数向量符合精度要求，则执行K；否则，将所述第二稀疏系数向量赋值给所述第一稀疏系数向量，返回D)继续执行；K)采用所述第二稀疏系数向量对所述第二训练形状集进行稀疏凸组合得到第四目标形状，实现目标分割；L)所述第二稀疏系数向量中的最大值对应的所述第二训练形状所属的类就 是所述第四目标形状的类别，实现目标识别；所述稀疏凸组合的公式为其中是目标形状，s＝[s1, s2, …, sN]T是稀疏系数向量，s满足且对任意i，si≥0，M＝[q1, q2, …, qN]是训练形状集，N为训练形状集中训练形状的数目。FDA0000395545660000021.jpg, FDA0000395545660000022.jpg, FDA0000395545660000023.jpg 【当前权利人】浙江大学 【当前专利权人地址】浙江省杭州市西湖区浙大路38号 【专利权人类型】公立 【统一社会信用代码】12100000470095016Q 【引证次数】1.0 【他引次数】1.0 【家族引证次数】1.0 【家族被引证次数】5

未经允许不得转载：http://www.zhongzhencnc.com/1791603683.html