[發明專利]一種低秩判別特征子空間學習方法

有效

• 申請號: 201811366758.1
• 申請日: 2018-11-16
• 公開（公告）號: CN109522956B
• 公開（公告）日: 2022-09-30
• 發明（設計）人: 李驁;劉鑫;林克正;陳德運;孫廣路
• 申請（專利權）人: 哈爾濱理工大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/774
• 代理公司: 哈爾濱市偉晨專利代理事務所(普通合伙) 23209
• 代理人: 趙君

1.一種低秩判別特征子空間學習方法，其特征在于，包括下列步驟：

步驟a、將一個圖像數據集分成測試集和訓練集；

步驟b、定義判別特征子空間學習模型的目標函數，目標函數中第一項對矩陣進行低秩約束，第二項為判別正則化項，將低秩表示系數作為正則化參數來約束兩個樣本投影后的距離，矩陣中的元素被視為對兩個樣本的低維結構相似性的測量，對矩陣中的每個元素引入非負約束；

所述目標函數如下：

s.t.X＝XZ+E,Z_ij≥0

其中，X＝[X₁,X₂,...,X_m]表示訓練集，X_i表示X的每一列，i＝ 1,2,...,m ， m表示訓練樣本的總數，Z表示矩陣，P表示特征子空間，E表示誤差矩陣，λ是平衡三項的一個參數；

步驟c、采用類別標簽作為一種監督信息，目標函數重新擬定；

所述目標函數重新擬定，如下：

s.t.X＝XZ+E,Z_ij≥0

其中，Y＝[Y₁,Y₂,...,Y_m]是由類別標簽決定的矩陣，Y_i＝[-1,-1,...,1,...,-1]^T∈R^C表示Y的第i列，如果第i個示例屬于第c類，第c個元素為1，其余的為-1；

步驟d、將目標函數中的特征子空間施加正交約束；

步驟e、通過訓練集，求解出目標函數值最小化時各個變量的值；

步驟f、目標函數求解后得到一個特征子空間；

步驟g、通過所述特征子空間投影測試集，得到數據集里所有類別圖像的所有特征，最終通過分類器將得到所述數據集的識別率；

通過學習到特征子空間，之后將每個訓練樣本投影到特征子空間上得到該訓練樣本的特征來提取該訓練樣本所屬類別的特征，隨后根據投影特征進行圖片識別和分類；

采用四個已公開的數據集，數據集包括兩個人臉數據集，一個物體數據集和一個手寫數字數據集，數據集的細節描述如下：

一個面部數據集采用ExtendedYaleB，包括3814個2414正面圖像，每個人具有64個具有不同光照條件的圖像，所述面部數據集使用測試圖像的大小被裁剪為32×32，隨機選擇每個人的32個圖像作為訓練集，而其余的圖像用作測試集；

另一個面部數據集采用AR，包括120個人的3120個灰度圖像；對于所述面部數據集中的每個人，均包括正面視圖的26個圖像，所述圖像采用不同的表達方式，包括光照條件和遮擋；所述面部數據集中的面部圖像均被裁剪，調整為55×40，每個人的一半用作訓練，其余的用作測試；

對象數據集采用COIL20，包括20個對象的1440個圖像，每個對象具有從連續角度以5度的間隔獲得的72個圖像，對象數據集中的所有圖像均被調整為32×32，并進行了規范化；每個對象的10個圖像用于訓練，其余用于測試；

手寫數字數據集采用HandwrittendatasetUSPS，包括9298個手寫數字圖像，其中10個類從0到9，所述手寫數字數據集中所有圖像大小均為16×16，對于每個數字，隨機選擇10個圖像對訓練集進行分組，其余圖像用于測試；

將本方法與幾種現有的特征子空間學習方法進行了比較，分別包括PCA，LDA，NPE，LSDA，LatentLRR，ProCRC，DLRDSR和SFE-ALR，使用兩種分類器SRC和KNN來分別測試比較方法：SRC用于AR和USPS數據集，KNN用于ExtendedYaleB和COIL20，對于SRC，訓練實例用作字典中的原子，識別或分類結果由最小的特定于類的回歸誤差決定；對于KNN，分類結果由特征子空間中的前K個近鄰決定，K被設置為1；每個數據集均實施五次，求得的平均識別結果作為各對比方法的識別率；

所述的一種低秩判別特征子空間學習方法，用于圖像特征提取以及識別和分類任務。

2.根據權利要求1所述一種低秩判別特征子空間學習方法，其特征在于，所述將目標函數中的特征子空間施加正交約束，如下：

s.t.X＝XZ+E,Z_ij≥0,P^TP＝I。