本發(fā)明屬于圖像識別，具體涉及小樣本圖像識別方法、系統(tǒng)及存儲介質。

背景技術：

1、隨著數字技術的快速發(fā)展，圖像數據的采集和存儲變得日益便捷。光學采集設備如照相機和攝像機等，使得大量圖像數據得以迅速積累。然而，這一趨勢也帶來了新的挑戰(zhàn)，尤其是在圖像識別領域。圖像識別任務的核心在于從復雜的圖像數據中提取出具有代表性的特征信息，這對于計算機系統(tǒng)來說是一項艱巨的任務。

2、傳統(tǒng)的圖像處理方法（pca方法）通過線性變換將原始圖像數據投影到低維空間，從而提取出關鍵特征。然而，傳統(tǒng)的圖像處理方法在處理小樣本圖像時存在局限性，通常需要大量的樣本來確保特征提取的準確性和魯棒性，但是針對小樣本圖像識別往往缺乏足夠的魯棒性，導致識別結果的可靠性降低。

技術實現思路

1、本發(fā)明提供了一種小樣本圖像識別方法、系統(tǒng)及存儲介質，通過自適應地調整投影矩陣，能夠在小樣本圖像中提取出更為準確和可靠的特征，從而顯著提升了圖像識別的性能。

2、為達到上述目的，本發(fā)明所采用的技術方案是：

3、本發(fā)明第一方面提供了一種小樣本圖像識別方法，包括：

4、獲取待識別的檢測目標圖像，利用預設的最優(yōu)投影矩陣對檢測目標圖像進行特征提取獲得目標特征矩陣；通過分類器對目標特征矩陣進行識別獲得目標識別結果；

5、最優(yōu)投影矩陣的構建過程包括：

6、獲取訓練圖像并進行預處理和中心化處理獲得訓練數據矩陣；

7、引入剪切魯棒范數作為距離度量準則構建asb-2dpca優(yōu)化模型；將訓練數據矩陣輸入asb-2dpca優(yōu)化模型，通過剪切魯棒范數計算訓練數據矩陣的權重；根據權重與訓練數據矩陣計算加權協(xié)方差矩陣；

8、對加權協(xié)方差矩陣進行特征值分解，獲取對應的特征值和特征向量；基于特征值篩選特征向量構建投影矩陣，計算投影矩陣對訓練圖像的重構誤差；

9、循環(huán)迭代更新投影矩陣直至重構誤差滿足收斂條件，輸出最優(yōu)投影矩陣。

10、進一步的，獲取訓練圖像并進行預處理和中心化處理獲得訓練數據矩陣，包括：

11、對訓練圖像進行尺寸標準化獲得中間特征圖；對中間特征圖進行灰度化和歸一化后獲得二值圖像；對二值圖像進行中心化處理獲得訓練數據矩陣。

12、進一步的，引入剪切魯棒范數作為距離度量準則構建asb-2dpca優(yōu)化模型，將訓練數據矩陣輸入asb-2dpca優(yōu)化模型，包括：

13、；

14、公式中，表示為訓練數據矩陣序號；j表示為矩陣行數序號；表示為行向剪切參數，表示為預設的輸入變量參數，表示為第個訓練數據矩陣的第行特征；矩陣的跡運算，表示為行方向上最優(yōu)投影矩陣；為固定常量；m表示為asb-2dpca優(yōu)化模型中輸入矩陣中行向量的數量；n表示為訓練數據矩陣的數量；表示為訓練數據矩陣的權重。

15、進一步的，通過剪切魯棒范數計算訓練數據矩陣的權重，包括：

16、；

17、其中，表示為訓練數據矩陣序號；j表示為矩陣行數序號，表示為預設的輸入變量參數；表示為第個訓練數據矩陣的第行特征；表示為訓練數據矩陣的權重；表示為行向剪切參數。

18、進一步的，根據權重與訓練數據矩陣計算加權協(xié)方差矩陣，表達公式為：

19、；

20、公式中，表示為第t-1次迭代中加權協(xié)方差矩陣；表示為第t-1次迭代中訓練數據矩陣的權重。

21、進一步的，重構誤差收斂條件包括：

22、；

23、；

24、式中,是目標函數，代表行方向上最優(yōu)投影矩陣的最小重構誤差，代表行方向上最優(yōu)投影矩陣的最小重構誤差，t表示是迭代步數，是在第t步迭代輸出的行方向上最優(yōu)投影矩陣，是在第t-1步迭代輸出的行方向上最優(yōu)投影矩陣，為設定閾值。

25、進一步的，利用預設的最優(yōu)投影矩陣對檢測目標圖像進行特征提取獲得目標特征矩陣，包括：

26、對檢測目標圖像進行特征提取獲得檢測數據矩陣；計算檢測數據矩陣的行向特征矩陣，利用行向特征矩陣作為列方向的輸入數據，表達公式為：

27、；

28、公式中，表示為預設的輸入變量參數，表示為第個檢測數據矩陣的第行特征，表示為行方向上最優(yōu)投影矩陣，m表示為asb-2dpca優(yōu)化模型中輸入矩陣中行向量的數量；表示為檢測數據矩陣的數量；表示為矩陣行數序號；表示為檢測數據矩陣序號；表示為行向剪切參數；表示為列向剪切參數；為列方向上最優(yōu)投影矩陣；表示為第個檢測數據矩陣的第列特征；表示為asb-2dpca優(yōu)化模型中輸入矩陣中列向量的數量；和表示為單位矩陣；表示為矩陣列數序號；

29、通過行方向上最優(yōu)投影矩陣和列方向上最優(yōu)投影矩陣c對檢測數據矩陣特征提取獲得目標特征矩陣；具體表達式為；表示為目標特征矩陣，表示為檢測數據矩陣特征。

30、進一步的，通過分類器對目標特征矩陣進行識別獲得目標識別結果，包括：

31、根據目標特征矩陣計算檢測目標圖像與預設的樣本圖像的特征距離，表達公式為：

32、；

33、公式為，表示為檢測目標圖像；表示為樣本圖像；表示為目標特征矩陣；表示為樣本圖像的特征矩陣；表示為目標特征矩陣的第w個奇異值；為目標特征矩陣的秩；

34、當且，輸出識別結果；為類別標識。

35、本發(fā)明第二方面提供了一種小樣本圖像識別系統(tǒng)，包括：

36、識別模塊，用于獲取待識別的檢測目標圖像，利用預設的最優(yōu)投影矩陣對檢測目標圖像進行特征提取獲得目標特征矩陣；通過分類器對目標特征矩陣進行識別獲得目標識別結果；

37、獲取模塊，用于獲取訓練圖像并進行預處理和中心化處理獲得訓練數據矩陣；

38、模型構建模塊，引入剪切魯棒范數作為距離度量準則構建asb-2dpca優(yōu)化模型；將訓練數據矩陣輸入asb-2dpca優(yōu)化模型，通過剪切魯棒范數計算訓練數據矩陣的權重；

39、優(yōu)化模塊，用于根據權重與訓練數據矩陣計算加權協(xié)方差矩陣；對加權協(xié)方差矩陣進行特征值分解，獲取對應的特征值和特征向量；基于特征值篩選特征向量構建投影矩陣，計算投影矩陣對訓練圖像的重構誤差；循環(huán)迭代更新投影矩陣直至重構誤差滿足收斂條件，輸出最優(yōu)投影矩陣。

40、本發(fā)明第三方面提供了一種計算機的存儲介質，其上存儲有計算機程序，其特征在于，根據所述計算機程序進行操作以執(zhí)行第一方面所述的小樣本圖像識別方法。

41、與現有技術相比，本發(fā)明的有益效果：

42、本發(fā)明引入剪切魯棒范數作為距離度量準則構建asb-2dpca優(yōu)化模型；將訓練數據矩陣輸入asb-2dpca優(yōu)化模型，通過剪切魯棒范數計算訓練數據矩陣的權重；通過使用剪切魯棒范數作為距離度量準則，能夠有效地抑制噪聲干擾，提高圖像識別的穩(wěn)定性和可靠性；根據數據的特性動態(tài)調整特征提取過程，以更好地捕捉圖像中的關鍵信息。

43、本發(fā)明根據權重與訓練數據矩陣計算加權協(xié)方差矩陣；對加權協(xié)方差矩陣進行特征值分解，獲取對應的特征值和特征向量；基于特征值篩選特征向量構建投影矩陣，計算投影矩陣對訓練圖像的重構誤差；循環(huán)迭代更新投影矩陣直至重構誤差滿足收斂條件，輸出最優(yōu)投影矩陣；通過求解最優(yōu)投影矩陣，可以有效地將圖像數據映射到一個低維空間，同時保留最具代表性的特征，可以提高對圖像的識別準確率。

44、本發(fā)明獲取待識別的檢測目標圖像，利用預設的最優(yōu)投影矩陣對檢測目標圖像進行特征提取獲得目標特征矩陣；通過分類器對目標特征矩陣進行識別獲得目標識別結果；通過自適應地調整投影矩陣，能夠在小樣本圖像中提取出更為準確和可靠的特征，從而顯著提升了圖像識別的性能。