CN112085112A - 一种图像类别检测方法、系统、电子设备及存储介质 - Google Patents

Abstract

本申请公开了一种图像类别检测方法，所述图像类别检测方法包括获取训练图像集，并根据所述训练图像集中每一训练图像的图像特征构建训练样本；利用所述训练样本对分类模型进行训练；其中，所述分类模型为稀疏Fisher支持向量机分类算法构建的模型，所述稀疏Fisher支持向量机为基于L1范数的Fisher支持向量机；将待检测图像输入训练后的分类模型，得到所述待检测图像的图像类型。本申请能够提高图像分类准确性。本申请还公开了一种图像类别检测系统、一种电子设备及一种存储介质，具有以上有益效果。

Description

一种图像类别检测方法、系统、电子设备及存储介质

技术领域

本申请涉及图像处理技术领域，特别涉及一种图像类别检测方法、系统、一种电子设备及一种存储介质。

背景技术

图像处理技术是用计算机对图像信息进行处理的技术。图像处理技术可以包括图像数字化、图像增强和复原、图像数据编码、图像分割和图像识别等。

相关技术中，存在基于图像处理技术对图像进行分类的方案，例如存在利用Fisher正则化支持向量机对钞票的图像进行真伪分类的操作，以便实现真伪钞票鉴别。Fisher正则化支持向量机可以找到一个分类超平面并且同时最大化类间间隔和最小化类内散度，但是该Fisher正则化支持向量机构造的模型不具有稀疏性，也就是说该模型会受到训练样本中不重要的样本或噪声样本的影响，从而会导致分类器的泛化性能降低。

因此，如何提高图像分类准确性是本领域技术人员目前需要解决的技术问题。

发明内容

本申请的目的是提供一种图像类别检测方法、系统、一种电子设备及一种存储介质，能够提高图像分类准确性。

为解决上述技术问题，本申请提供一种图像类别检测方法，该图像类别检测包括：

获取训练图像集，并根据所述训练图像集中每一训练图像的图像特征构建训练样本；

利用所述训练样本对分类模型进行训练；其中，所述分类模型为稀疏Fisher支持向量机分类算法构建的模型，所述稀疏Fisher支持向量机为基于L1范数的Fisher支持向量机；

将待检测图像输入训练后的分类模型，得到所述待检测图像的图像类型。

可选的，所述训练图像集中的训练图像包括正例图像和负例图像；

相应的，根据所述训练图像集中每一训练图像的图像特征构建训练样本包括：

根据所述训练图像集中的正例图像的图像特征构建所述训练样本中的正例样本；

根据所述训练图像集中的负例图像的图像特征构建所述训练样本中的负例样本。

可选的，获取训练图像集包括：

在固定位置拍摄真钞图像和伪钞图像；

将所述真钞图像作为所述训练图像集中的正例图像，并将所述伪钞图像作为所述训练图像集中的负例图像。

可选的，根据所述训练图像集中每一训练图像的图像特征构建训练样本，包括：

通过子波变换提取的方式提取所述训练图像集中每一所述训练图像的图像特征；

根据每一所述训练图像的图像特征和图像类别构建所述训练样本。

可选的，所述根据每一所述训练图像的图像特征和图像类别构建所述训练样本，包括：

对每一所述训练图像的图像特征映射至目标区间；

根据映射至所述目标区间的图像特征和对应的图像类别构建所述训练样本。

可选的，所述图像特征包括图像经小波变换后的方差、偏态、峰度和图像的熵。

可选的，在利用所述训练样本对分类模型进行训练之前，还包括：

在预设约束条件下通过求解目标优化问题确定所述分类模型的模型系数和偏置；

其中，所述预设模型为

为训练后的分类模型，α_i为所述分类模型的系数，k为核函数，b为所述分类模型的偏置，l为所述训练样本的总数，x_i为第i个训练样本，x为代入所述分类模型的训练样本；

所述目标优化问题为

所述预设约束条件为D_y[K(α⁺-α^-)+(b⁺-b^-)1]≥1-ξ和ξ≥0；γ_K和γ_F为非负正则化参数，K为核矩阵，N＝I-G，I为单位矩阵，G为预设矩阵，D_y为对角矩阵，ξ为松弛变量，α＝α⁺-α^-，b＝b⁺-b^-，α⁺和α^-为辅助系数，b⁺和b^-为辅助偏置。

本申请还提供了一种图像类别检测系统，该系统包括：

样本构建模块，用于获取训练图像集，并根据所述训练图像集中每一训练图像的图像特征构建训练样本；

模型训练模块，用于利用所述训练样本对分类模型进行训练；其中，所述分类模型为稀疏Fisher支持向量机分类算法构建的模型，所述稀疏Fisher支持向量机为基于L1范数的Fisher支持向量机；

分类模块，用于将待检测图像输入训练后的分类模型，得到所述待检测图像的图像类型。

本申请还提供了一种存储介质，其上存储有计算机程序，所述计算机程序执行时实现上述图像类别检测方法执行的步骤。

本申请还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时实现上述图像类别检测方法执行的步骤。

本申请提供了一种图像类别检测方法，包括：获取训练图像集，并根据所述训练图像集中每一训练图像的图像特征构建训练样本；利用所述训练样本对分类模型进行训练；其中，所述分类模型为稀疏Fisher支持向量机分类算法构建的模型，所述稀疏Fisher支持向量机为基于L1范数的Fisher支持向量机；将待检测图像输入训练后的分类模型，得到所述待检测图像的图像类型。

本申请在获取训练图像集后根据训练图像集中每一训练图像的图像特征构建训练样本，利用训练样本对分类模型进行训练，使训练后的分类模型能够对图像进行分类。分类模型为稀疏Fisher支持向量机分类算法构建的模型，且由于稀疏Fisher支持向量机引入L1范数代替原来的二范数，使分类模型具有稀疏性，本实施例中的分类模型不会关注训练样本中不重要的样本或噪声样本，具有良好的泛化性能，因此本申请能够提高图像分类准确性。本申请同时还提供了一种图像类别检测系统、一种电子设备和一种存储介质，具有上述有益效果，在此不再赘述。

附图说明

为了更清楚地说明本申请实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例所提供的一种图像类别检测方法的流程图；

图2为本申请实施例所提供的一种图像类别检测系统的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

下面请参见图1，图1为本申请实施例所提供的一种图像类别检测方法的流程图。

具体步骤可以包括：

S101：获取训练图像集，并根据所述训练图像集中每一训练图像的图像特征构建训练样本；

其中，本步骤可以通过相机对目标物体拍摄图像得到训练图像集，训练图像集中可以包括多种类别的训练图像，例如训练图像集中的训练图像包括正例图像和负例图像。在具体应用中，可以在固定位置拍摄真钞得到真钞图像，在同样的固定位置拍摄伪钞得到伪钞图像，进而将所述真钞图像作为所述训练图像集中的正例图像，并将所述伪钞图像作为所述训练图像集中的负例图像。本实施例也可以从数据库中获取训练图像集，例如可以从数据库中获取各种品种的猫图像以及非猫图像，进而可以将猫图像作为正例图像，将非猫图像作为负例图像。本实施例不限定获取的训练图像集中训练图像的种类，可以根据实际应用场景灵活设置。

进一步的，在得到训练图像集后，可以根据所述训练图像集中的正例图像的图像特征构建所述训练样本中的正例样本；还可以根据所述训练图像集中的负例图像的图像特征构建所述训练样本中的负例样本，进而得到包括正例样本和负例样本的训练样本。

S102：利用所述训练样本对分类模型进行训练；

其中，本实施例中提到的分类模型为稀疏Fisher支持向量机分类算法构建的模型，所述稀疏Fisher支持向量机为基于L1范数的Fisher支持向量机。传统的Fisher正则化支持向量机是不稀疏的，本实施例通过引入L1范数代替原来的二范数，得到了稀疏Fisher支持向量机。进一步的，本实施例利用训练样本对分类模型进行训练，训练后的分类模型具有识别图像类别的能力。

S103：将待检测图像输入训练后的分类模型，得到所述待检测图像的图像类型。

其中，待检测图像为未知类型的图像，通过将待检测图像输入训练后的分类模型，可以根据分类模型的输出结果确定待检测图像的图像类型。

本实施例在获取训练图像集后根据训练图像集中每一训练图像的图像特征构建训练样本，利用训练样本对分类模型进行训练，使训练后的分类模型能够对图像进行分类。分类模型为稀疏Fisher支持向量机分类算法构建的模型，且由于稀疏Fisher支持向量机引入L1范数代替原来的二范数，使分类模型具有稀疏性，本实施例中的分类模型不会关注训练样本中不重要的样本或噪声样本，具有良好的泛化性能，因此本实施例能够提高图像分类准确性。

作为对于图1对应实施例的进一步介绍，本实施例可以通过以下方式构建训练样本：通过子波变换提取的方式提取所述训练图像集中每一所述训练图像的图像特征；根据每一所述训练图像的图像特征和图像类别构建所述训练样本。上述图像特征包括图像经小波变换后的方差、偏态、峰度和图像的熵。

作为进一步的实施方式，图1对应的实施例还可以通过以下方式构建训练样本：

步骤1：通过子波变换提取的方式提取所述训练图像集中每一所述训练图像的图像特征；

步骤2：对每一所述训练图像的图像特征映射至目标区间；

步骤3：根据映射至所述目标区间的图像特征和对应的图像类别构建所述训练样本。

其中，由于不同的图像特征往往具有不同的量纲和量纲单位，这样的情况会影响到数据分析的结果。为了消除特征之间的量纲影响，本实施例通过将图像特征映射至统一的目标区间实现数据标准化处理，以解决数据之间的可比性。原始数据经过数据标准化处理后，各指标处于同一数量级，适合进行综合对比评价。

作为对于图1对应实施例的进一步介绍，在S102利用所述训练样本对分类模型进行训练之前，还可以在预设约束条件下通过求解目标优化问题确定所述分类模型的模型系数和偏置；

其中，所述预设模型为

为训练后的分类模型，α_i为分类模型的系数，b为分类模型的偏置，l为训练样本的总数；

x_i为第i个训练样本，x为代入分类模型的训练样本，k为核函数，i为训练样本的序号。

所述目标优化问题为

所述预设约束条件为s.t.D_y[K(α⁺-α^-)+(b⁺-b^-)1]≥1-ξ和ξ≥0；

其中，min为求解最小值，γ_K和γ_F为非负正则化参数，K为核矩阵，核矩阵K的第i行第j列为[K]_ij＝k(x_i,x_j),i,j＝1,2,...,l。N＝I-G,

I是单位矩阵，G为预设矩阵。D_y为对角矩阵，对角矩阵D_y的第i行第i列为[D_y]_ii＝y_i，ξ为松弛变量，第i个训练样本的松弛变量

L_hinge(·)为合页损失函数，x_i为第i个样本，

表示d维的实数空间，α⁺和α^-为用来辅助计算分类模型系数的系数，b⁺和b^-为用于辅助计算分类模型偏置的系数，T表示转置向量。s.t.为subject to的缩写，其含义为使得后面的公式满足。合页损失函数其定义如下：

分类模型的模型系数α和偏置b可以通过以下公式得到：

α＝α⁺-α^-；

b＝b⁺-b^-。

本实施例还提供一种基于稀疏Fisher支持向量机的真伪钞票判别系统。本系统可以包括数据预处理模块、数据训练模块和数据预测模块组成。在数据预处理模块中，需要将训练样本归一化；在数据训练模块中，用训练样本对分类模型进行训练；在数据预测模块，用训练好的分类模型在测试集上进行预测。

一、数据预处理模块

首先以固定位置利用工业照相机对纸币进行拍照获得训练图像，然后利用特征提取器对训练图像进行图像特征提取，将提取的图像特征作为本系统的训练集(即上文提到的训练样本)。训练集

其中

y_i∈{±1}。标签为y_i＝1的是真钞数据集合，标签为y_i＝-1的是伪钞数据集合，每个样本的特征数为d，l为训练集样本总数。对训练集S中的数据进行归一化，将样本点映射到区间[0,1]中。

二、数据训练模块

解如下的优化问题：

及解决上述优化问题的时有两组约束，一组是不等式约束，另一组是界约束；不等式约束的个数以及界约束的个数都和样本数一样多，为l个。约束具体为s.t.D_y[K(α⁺-α^-)+(b⁺-b^-)1]≥1-ξ和ξ≥0。

γ_K和γ_F为非负正则化参数，核矩阵K的第i行第j列为[K]_ij＝k(x_i,x_j),i,j＝1,2,...,l，N＝I-G,

是单位矩阵，G为预设矩阵，对角矩阵D_y的第i行第i列为[D_y]_ii＝y_i，松弛变量

L_hinge(·)为合页损失函数其定义如下：

求解上述优化问题之后，得到α＝α⁺-α^-和b＝b⁺-b^-，从而可以确定分类模型。

三、数据预测模块

对待预测钞票，按照数据预处理模块处理过程后，获得待预测钞票的特征向量

然后执行数据预处理模块描述的数据归一化操作，将特征值映射到区间[0,1]中，接着代入分类模型

最后按照下述规则鉴定待预测钞票的真伪：若

为1，则待预测的钞票为真钞，否则待预测的钞票为假钞。

sign为取符号函数，负值返回-1，正值返回1。

由于图像样本中难免会存在由于人工失误、仪器测量误差等产生的噪音样本来干扰最终的实验结果，而那些不具有代表性样本的存在会造成数据冗余、降低训练效率。本实施例在训练钞票数据中有较多不具有代表性的样本的情况下，本实施例提供的钞票真伪检测方案可以加快分类效率、减小误差样本对结果的影响，即提高了对钞票数据分类的效率和准确率。目前随着工业照相机的升级，获取的钞票细节数据也越来越多，在这种形势下，本钞票数据分类的准确率也更为突出。

本实施例克服了相关技术中抗噪性和稀疏性的不足的问题，提出一种基于稀疏Fisher支持向量机的真伪钞票判别系统，该系统采用了稀疏Fisher支持向量机分类算法。由于L1范数的使用，增强了模型的稀疏性，一定程度上提高了抗噪性，进而提高了算法的泛化性。在原空间直接求解优化问题，避免了在对偶空间求解时存在的病态情况，也保持了模型的稀疏性，提高了分类准确度。

下面通过实际应用中的实施例说明上述基于稀疏Fisher支持向量机的真伪钞票判别系统。本系统对来自UCI的Banknote数据集上进行了测试，该数据集以固定位置利用工业照相机对纸币进行拍照，获得400×400的训练图像，然后利用子波变换提取对图像进行特征提取，对特征提取后的数据作为的训练样本和测试样本。训练图像的数据集一共包含1372个样本，随机选取2/3作为训练样本，剩余1/3为测试样本。每个训练样本和测试样本均包含4个特征，第一列特征是图像经小波变换后的方差(variance)(连续值)，第二列特征是图像经小波变换后的偏态(skewness)(连续值)，第三列特征是图像经小波变换后的峰度(curtosis)(连续值)，第四列特征是图像的熵(entropy)(连续值)。其中真钞样本和伪钞样本数量分别为610和762，这里本实施例把真钞样本的标签记为+1，假钞样本的标签记为-1。

为了证明本实施例对噪声干扰的不敏感性，针对有标签噪声的样本，具有良好的分类性能和稳定性。本实施例增加噪声干扰对比，对整个数据集随机选取一定比例的样本，将这些样本的标签置为相反数。本实例对所有原始样本选取r＝{0％,5％,10％}的噪声样本(r＝0％则为原始样本)。对一个原始样本和两个标签噪声样本分别进行如下步骤。

具体实施过程如下：

一、数据预处理模块

输入特征提取后的样本集

其中

y_i∈{±1}。标签为y_i＝1的是真钞数据集合，标签为y_i＝-1的是伪钞数据集合。对数据集S中的数据进行归一化，将样本点映射到区间[0,1]中。

二、数据训练模块

本实施例的分类模型为：

其中α_i为模型的系数，b为模型的偏置。为获得模型的系数和偏置，需求解如下的优化问题：

s.t.D_y[K(α⁺-α^-)+(b⁺-b^-)1]≥1-ξ,

ξ≥0；

其中，γ_K和γ_F为非负正则化参数，核矩阵K的第i行第j列为[K]_ij＝k(x_i,x_j),i,j＝1,2,...,l，N＝I-G,

是单位矩阵，G为预设矩阵，对角矩阵D_y的第i行第i列为[D_y]_ii＝y_i，松弛变量

L_hinge(·)为合页损失函数其定义如下：

求解上述优化问题之后，得到α＝α⁺-α^-和b＝b⁺-b^-，从而可以确定判别函数。

三、数据预测模块

对458个剩余的钞票数据，将其特征向量映射到区间[0,1]中，接着代入判别函数：

可以按照下述规则鉴定待预测钞票的真伪：若

为1，则待预测的钞票为真钞，否则待预测的钞票为假钞。

表1列出了本实施例在某些参数设置下与Fisher正则化支持向量机(FisherSVM)的对比。可以看出在不同参数设置下，本实施例均比FisherSVM有较好的结果。

表1 Banknote数据集上噪声干扰的准确率对比

参数	本实施例准确度(％)	FisherSVM准确度(％)
			r＝0％	88.06	86.05
r＝5％	87.66	85.90
			r＝10％	86.94	85.70

请参见图2，图2为本申请实施例所提供的一种图像类别检测系统的结构示意图；

该系统可以包括：

样本构建模块100，用于获取训练图像集，并根据所述训练图像集中每一训练图像的图像特征构建训练样本；

模型训练模块200，用于利用所述训练样本对分类模型进行训练；其中，所述分类模型为稀疏Fisher支持向量机分类算法构建的模型，所述稀疏Fisher支持向量机为基于L1范数的Fisher支持向量机；

分类模块300，用于将待检测图像输入训练后的分类模型，得到所述待检测图像的图像类型。

本实施例在获取训练图像集后根据训练图像集中每一训练图像的图像特征构建训练样本，利用训练样本对分类模型进行训练，使训练后的分类模型能够对图像进行分类。分类模型为稀疏Fisher支持向量机分类算法构建的模型，且由于稀疏Fisher支持向量机引入L1范数代替原来的二范数，使分类模型具有稀疏性，本实施例中的分类模型不会关注训练样本中不重要的样本或噪声样本，具有良好的泛化性能，因此本实施例能够提高图像分类准确性。

进一步的，所述训练图像集中的训练图像包括正例图像和负例图像；

相应的，样本构建模块100包括：

正例构建单元，用于根据所述训练图像集中的正例图像的图像特征构建所述训练样本中的正例样本；

负例构建单元，用于根据所述训练图像集中的负例图像的图像特征构建所述训练样本中的负例样本。

进一步的，样本构建模块100包括：

图像拍摄单元，用于在固定位置拍摄真钞图像和伪钞图像；

图像集构建单元，用于将所述真钞图像作为所述训练图像集中的正例图像，并将所述伪钞图像作为所述训练图像集中的负例图像。

进一步的，样本构建模块100包括：

特征提取单元，用于通过子波变换提取的方式提取所述训练图像集中每一所述训练图像的图像特征；

训练样本生成单元，用于根据每一所述训练图像的图像特征和图像类别构建所述训练样本。

进一步的，训练样本生成单元用于对每一所述训练图像的图像特征映射至目标区间；用于根据映射至所述目标区间的图像特征和对应的图像类别构建所述训练样本。

进一步的，所述图像特征包括图像经小波变换后的方差、偏态、峰度和图像的熵。

进一步的，还包括：

参数确定模块，用于在利用所述训练样本对分类模型进行训练之前，在预设约束条件下通过求解目标优化问题确定所述分类模型的模型系数和偏置；

其中，所述预设模型为

为训练后的分类模型，α_i为模型的系数，b为模型的偏置，l为训练集样本总数；所述目标优化问题为

所述目标优化问题的约束条件为s.t.D_y[K(α⁺-α^-)+(b⁺-b^-)1]≥1-ξ和ξ≥0；γ_K和γ_F为非负正则化参数，核矩阵K的第i行第j列为[K]_ij＝k(x_i,x_j),i,j＝1,2,...,l，N＝I-G,

是单位矩阵，G为预设矩阵，对角矩阵D_y的第i行第i列为[D_y]_ii＝y_i，松弛变量

L_hinge(·)为合页损失函数，x_i为第i个样本，

表示d维的实数空间。

由于系统部分的实施例与方法部分的实施例相互对应，因此系统部分的实施例请参见方法部分的实施例的描述，这里暂不赘述。

本申请还提供了一种存储介质，其上存有计算机程序，该计算机程序被执行时可以实现上述实施例所提供的步骤。该存储介质可以包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

本申请还提供了一种电子设备，可以包括存储器和处理器，所述存储器中存有计算机程序，所述处理器调用所述存储器中的计算机程序时，可以实现上述实施例所提供的步骤。当然所述电子设备还可以包括各种网络接口，电源等组件。

说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。

还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的状况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (10)

1.一种图像类别检测方法，其特征在于，包括：

获取训练图像集，并根据所述训练图像集中每一训练图像的图像特征构建训练样本；

利用所述训练样本对分类模型进行训练；其中，所述分类模型为稀疏Fisher支持向量机分类算法构建的模型，所述稀疏Fisher支持向量机为基于L1范数的Fisher支持向量机；

将待检测图像输入训练后的分类模型，得到所述待检测图像的图像类型。

2.根据权利要求1所述图像类别检测方法，其特征在于，所述训练图像集中的训练图像包括正例图像和负例图像；

相应的，根据所述训练图像集中每一训练图像的图像特征构建训练样本包括：

根据所述训练图像集中的正例图像的图像特征构建所述训练样本中的正例样本；

根据所述训练图像集中的负例图像的图像特征构建所述训练样本中的负例样本。

3.根据权利要求2所述图像类别检测方法，其特征在于，所述获取训练图像集包括：

在固定位置拍摄真钞图像和伪钞图像；

将所述真钞图像作为所述训练图像集中的正例图像，并将所述伪钞图像作为所述训练图像集中的负例图像。

4.根据权利要求1所述图像类别检测方法，其特征在于，根据所述训练图像集中每一训练图像的图像特征构建训练样本，包括：

通过子波变换提取的方式提取所述训练图像集中每一所述训练图像的图像特征；

根据每一所述训练图像的图像特征和图像类别构建所述训练样本。

5.根据权利要求4所述图像类别检测方法，其特征在于，所述根据每一所述训练图像的图像特征和图像类别构建所述训练样本，包括：

对每一所述训练图像的图像特征映射至目标区间；

根据映射至所述目标区间的图像特征和对应的图像类别构建所述训练样本。

6.根据权利要求4所述图像类别检测方法，其特征在于，所述图像特征包括图像经小波变换后的方差、偏态、峰度和图像的熵。

7.根据权利要求1所述图像类别检测方法，其特征在于，在利用所述训练样本对分类模型进行训练之前，还包括：

在预设约束条件下通过求解目标优化问题确定所述分类模型的模型系数和偏置；

其中，所述预设模型为

为训练后的分类模型，α_i为所述分类模型的系数，k为核函数，b为所述分类模型的偏置，l为所述训练样本的总数，x_i为第i个训练样本，x为代入所述分类模型的训练样本；

所述目标优化问题为

所述预设约束条件为D_y[K(α⁺-α^-)+(b⁺-b^-)1]≥1-ξ和ξ≥0；γ_K和γ_F为非负正则化参数，K为核矩阵，N＝I-G，I为单位矩阵，G为预设矩阵，D_y为对角矩阵，ξ为松弛变量，α＝α⁺-α^-，b＝b⁺-b^-，α⁺和α^-为辅助系数，b⁺和b^-为辅助偏置。

8.一种图像类别检测系统，其特征在于，包括：

样本构建模块，用于获取训练图像集，并根据所述训练图像集中每一训练图像的图像特征构建训练样本；

模型训练模块，用于利用所述训练样本对分类模型进行训练；其中，所述分类模型为稀疏Fisher支持向量机分类算法构建的模型，所述稀疏Fisher支持向量机为基于L1范数的Fisher支持向量机；

分类模块，用于将待检测图像输入训练后的分类模型，得到所述待检测图像的图像类型。

9.一种电子设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时实现如权利要求1至7任一项所述图像类别检测方法的步骤。

10.一种存储介质，其特征在于，所述存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现如上权利要求1至7任一项所述图像类别检测方法的步骤。

Images