一种图像分类的实现方法、装置、电子设备和存储介质

1.一种图像分类的实现方法，其特征在于，包括：获取待分类图像的特征向量，作为待分类特征向量；将所述待分类特征向量输入图像分类模型，基于所述图像分类模型的目标函数计算所述待分类特征向量的稀疏表示向量，且根据所述稀疏表示向量确定所述待分类图像的类别；其中，所述目标函数包括常规稀疏表示项和设定类表示项，所述常规稀疏表示项用于确定所述待分类特征向量与所述图像分类模型的所有训练样本的特征向量之间的重构误差，所述设定类表示项用于确定所述待分类特征向量与每个设定类别的训练样本的训练特征向量之间的重构误差之和；所述目标函数的公式如下：其中：y为待分类特征向量，y∈R D×1 ，R代表矩阵，D表示待分类特征向量的特征维度；X为所有类别训练特征向量的集合，X∈R D×N ，N表示所述训练样本的总数量，X＝[X 1 ,X 2 ,...,X C ]由C类训练特征向量组成，C表示所述训练样本的训练特征向量的类别数量，其中， 为属于第i类的训练样本的训练特征向量的按列拼接矩阵，i为类别序号，n i 表示所述第i类的训练样本的数量；s＝[S 1 ,S 2 ,...,S C ] T 为所述待分类特征向量采用每类训练特征向量进行表示的稀疏表示向量；其中， 表示所述待分类特征用第i类训练特征向量的按列拼接矩阵X i 进行的稀疏表示向量； 为常规稀疏表示项； 为所述待分类特征向量与C类中各n i 个训练样本的训练特征向量的重构误差之和；α是调整所述稀疏表示向量稀疏性的稀疏调整参数，β是调整所述设定类表示的参与度参数； 为向量2-范数的平方，||.|| 1 为向量1-范数；所述根据所述稀疏表示向量确定所述待分类图像的类别，包括：基于所述稀疏表示向量，分别计算所述待分类特征向量与每一类训练特征向量的重构误差，得到对应的多个重构误差值；将所述多个重构误差值中最小的重构误差值对应的训练特征向量对应的类别确定为所述待分类图像的类别。 2.根据权利要求1所述的方法，其特征在于，所述设定类表示项具有稀疏调整参数，所述稀疏调整参数是由所述图像分类模型的分类识别率确定的。 3.根据权利要求2所述的方法，其特征在于，将所述待分类特征向量输入图像分类模型之前，还包括：将多个验证样本的验证特征向量输入图像分类模型，以输出分类结果；将输出的分类结果与所述验证样本的标注分类结果进行比对，以确定所述图像分类模型的分类识别率；根据所述分类识别率调整所述稀疏调整参数。 4.根据权利要求1所述的方法，其特征在于，获取待分类图像的特征向量包括：对所述待分类图像，将像素矩阵转换为一维向量，作为所述待分类特征向量；或采用卷积神经网络对所述待分类图像进行处理，并从全连接层输出所述待分类特征向量。 5.根据权利要求1所述的方法，其特征在于，将所述待分类特征向量输入图像分类模型，基于所述图像分类模型的目标函数计算所述待分类特征向量的稀疏表示向量，且根据所述稀疏表示向量确定所述待分类图像的类别包括：将所述待分类特征向量输入图像分类模型，利用交替方向乘子法算法，基于所述图像分类模型的目标函数计算所述待分类特征向量的稀疏表示向量，且根据所述稀疏表示向量确定所述待分类图像的类别。 6.根据权利要求5所述的方法，其特征在于，基于所述图像分类模型的目标函数计算所述待分类特征向量的稀疏表示向量包括：将所述图像分类模型的目标函数记为公式(1)：将公式(1)转换为：将[0,...,X i ,...,0]用 表示，则将公式(2)转换为：对于公式(3)，采用交替方向乘子法对其进行优化，将2α||s|| 1 中的s令为z，将上述公式(3)的优化问题转换为：将公式(4)转换为增广拉格朗日函数,记为公式(5)：其中，δ为增广拉格朗日乘子，ρ为惩罚参数，将公式(5)化简并忽略无关项，得到公式(6)：其中，trace{.}表示计算矩阵对角线上元素之和，I为单位矩阵；固定变量z和δ，对s根据公式(7)进行迭代，计算以确定s的封闭解s t+1 为：其中，t为迭代次数，t＝0,1,2,...,，s 0 、z 0 和δ 0 初始向量为零向量；固定变量s和δ，对z根据公式(9)进行迭代：计算以确定z的封闭解为z t+1 ：固定变量s和z，更新拉格朗日乘子δ：δ t+1 ＝δ t +ρ(s t+1 -z t+1 ) (11)s t+1 作为所述待分类特征向量的稀疏表示向量。 7.一种图像分类的实现装置，其特征在于，包括：图像特征向量获取模块，用于获取待分类图像的特征向量，作为待分类特征向量；图像类别确定模块，用于将所述待分类特征向量输入图像分类模型，基于所述图像分类模型的目标函数计算所述待分类特征向量的稀疏表示向量，且根据所述稀疏表示向量确定所述待分类图像的类别；其中，所述目标函数包括常规稀疏表示项和设定类表示项，所述常规稀疏表示项用于确定所述待分类特征向量与所述图像分类模型的所有训练样本的训练特征向量之间的重构误差，所述设定类表示项用于确定所述待分类特征向量与每个设定类别的训练样本的训练特征向量之间的重构误差之和；所述目标函数的公式如下：其中：y为待分类特征向量，y∈R D×1 ，R代表矩阵，D表示待分类特征向量的特征维度；X为所有类别训练特征向量的集合，X∈R D×N ，N表示所述训练样本的总数量，X＝[X 1 ,X 2 ,...,X C ]由C类训练特征向量组成，C表示所述训练样本的类别数量，其中， 为属于第i类的训练特征向量的按列拼接矩阵，i为类别序号，n i 表示所述第i类的训练样本的数量；s＝[S 1 ,S 2 ,...,S C ] T 为所述待分类特征向量采用每类训练特征向量进行表示的稀疏表示向量；其中， 表示所述待分类特征用第i类训练特征向量的按列拼接矩阵X i 进行的稀疏表示向量； 为常规稀疏表示项； 为所述待分类特征向量与C类中各n i 个训练样本的训练特征向量重构误差之和；α是调整所述稀疏表示向量稀疏性的稀疏调整参数，β是调整所述设定类表示的参与度参数； 为向量2-范数的平方，||.|| 1 为向量1-范数；图像类别确定模块还用于基于所述稀疏表示向量，分别计算所述待分类特征向量与每一类训练特征向量的重构误差，得到对应的多个重构误差值；将所述多个重构误差值中最小的重构误差值对应的训练特征向量对应的类别确定为所述待分类图像的类别。 8.一种电子设备，其特征在于，所述电子设备包括：一个或多个处理器；存储器，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的图像分类的实现方法。 9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一所述的图像分类的实现方法。