本发明公开了一种结合深度学习与稀疏表示的室内场景识别方法,具体包括以下步骤:
从室内场景库中随机挑选若干张室内场景图像作为训练样本,将剩余图像作为测试样本。
利用Fast-RCNN算法对训练和测试样本进行物体类别判别和检测,以构建得到每张室内场景图像的底层特征。
利用词袋模型将每张室内场景图像的底层特征和空间特征结合,构建得到中层特征。
对训练样本中的中层特征进行糅合,构建得到稀疏字典。
利用稀疏字典对测试样本进行稀疏表示,并根据求解出的稀疏解与所输入的测试样本计算得到残差。
根据残差的大小判断测试样本所属的物体类别。
将判断得到的所属物体类别输出。
本发明能准确识别室内场景,可有效提高室内场景识别的准确率和鲁棒性,具有很高的实用性能。
| 专利名称 | 一种结合深度学习与稀疏表示的室内场景识别方法 | ||
|---|---|---|---|
| 专利状态 | - | 专利号(申请号) | CN201611120285.8 |
| 申请号 | - | 专利申请日期 | 2016-12-08 |
| 专利授权日期 | 2017-05-10 | 专利权届满日 | - |
| 专利所属地 | 中国 | 专利类型 | 发明专利 |
| 发明人 | 孙宁;朱小英;刘佶鑫;李晓飞 | ||
| 权利人 | - | ||
| 专利摘要 | 本发明公开了一种结合深度学习与稀疏表示的室内场景识别方法,包括步骤:从室内场景库中随机挑选若干张室内场景图像作为训练样本,将剩余作为测试样本;利Fast‑RCNN算法对训练和测试样本进行物体类别判别和检测,以构建得到每张室内场景图像的底层特征;利用词袋模型将每张室内场景图像的底层特征和空间特征结合,构建得到中层特征;对训练样本中的中层特征进行糅合构建得到稀疏字典;利用稀疏字典对测试样本进行稀疏表示,及根据求解出的稀疏解与所输入的测试样本计算得到残差,并根据残差的大小判断测试样本所属的物体类别;将判断得到所属的物体类别输出。本发明能准确识别室内场景,可有效提高室内场景识别的准确率和鲁棒性,具有很高的实用性能。 | ||