[發明專利]一種用于數據聚類的相似性網絡融合快速方法

在審

• 申請號: 201410625530.5
• 申請日: 2014-11-07
• 公開（公告）號: CN104392247A
• 公開（公告）日: 2015-03-04
• 發明（設計）人: 張重陽;盧賢龍
• 申請（專利權）人: 上海交通大學
• 主分類號: G06K9/66
• 分類號: G06K9/66
• 代理公司: 上海漢聲知識產權代理有限公司 31236
• 代理人: 徐紅銀;郭國中

技術領域

本發明涉及的是一種數據融合方法，具體地說，涉及的是一種用于數據聚類的相似性網絡融合快速方法。

背景技術

目前，智能監控視頻由于其廣闊的應用范圍吸引了大量的關注。在智能視頻技術中，自動目標檢測與分類已經成為智能監控系統的一項主要任務。由于運動的復雜性，交錯的背景，物體位置與視角的變化等原因，監控視頻目標分類成為一個具有挑戰性的任務。同時，實際監控系統常常需要進行實時在線目標分類。

現有的目標分類方法之中，一些方法使用形狀與運動信息進行分類，這類方法的速度相對較快，但是，其魯棒性也受到限制，因為目標在視頻中的形狀會隨著視角而發生變化。另一類方法考慮得標定的數據與大量未標定的數據，半監督學習法在目標分類領域有著更大廣泛的使用。

現有研究中，王波博士等在論文《Similarity?network?fusion?for?aggregating?data?types?on?a?genomic?scale》提出一種新的基于圖的數據融合方法，相似性網絡融合。相似性網絡融合方法計算并融合從不同特征數據中獲得到相似性網絡，充分發揮不同特征之間的互補性，用于半監督學習。該相似性網絡融合方法具有以下優點：1.基于較少量的標定樣本；2.在不同尺度、噪聲的情況下都有良好的表現；3.可充分發揮不同類型特征數據之間的互補性。

盡管相似性網絡融合方法有諸多優點，但由于其對于單一新樣本的分類速度相當緩慢，因而不適用于目標在線分類。考慮到相似性融合方法的這些限制，本發明提出一種基于相似性網絡融合的快速方法。

發明內容

本發明針對現有技術中存在的上述技術問題，提供一種用于數據聚類的相似性網絡融合快速方法，在上述王波博士提出的方法上做了改進，大大提升了原方法對單一新樣本的相似性網絡融合速度，能夠適用于實時在線目標檢測。

本發明提供一種用于數據聚類的相似性網絡融合快速方法，用于視頻中目標的在線分類。通過構建相似性網絡，為不同類型數據基于相似性進行聚類，有效地將這些網絡進行融合。根據融合后的網絡和部分標定的樣本，可以有效地快速地預測新目標的類別。該方法是一種相似性網絡融合快速方法，通過矩陣劃分與預處理，有效地減少了在線預測中的時間復雜度，同時精確率只受到少量的損失。

為實現上述目的，本發明所述的用于數據聚類的相似性網絡融合快速方法包括兩個部分：相似性網絡提前訓練存儲，相似性網絡的快速融合。其中：

所述相似性網絡提前訓練存儲是指：利用樣本間的距離計算樣本的不同特征的相似性網絡，對于這一過程中得到的網絡進行存儲，用來之后對新樣本所進行的相似性網絡的快速融合。

所述相似性網絡的快速融合是指：對于特征網絡進行有效的劃分存儲，在分類時進行快速分類。

以下對兩個部分進行詳細說明：

1、相似性網絡提前訓練存儲

本發明中，所述相似性網絡提前訓練存儲，使用相似性網絡融合方法中的訓練算法，對于訓練樣本集進行訓練，并對于訓練中間計算得到的矩陣進行存儲。上述王波博士提出的方法提到：相似性網絡被表示成為一張圖G＝(V,E)，其中節點V表示樣本，邊E的權重則是兩個樣本的相似程度。因而邊的權重被表示成為一個n×n的矩陣。其中的W(i,j)表示兩個樣本x_i與x_j之間的相似度，ρ(x_i,x_j)表示樣本x_i與x_j之的歐氏距離,μ是一個經驗參數，通常取值[0.3，0.8]。計算公式如下：

其中