[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

一種低秩判別特征子空間學習方法屬于圖像分類領域；解決了忽略對隱藏在樣本中的低維子空間結構信息的技術問題；包括定義判別特征學習式的目標函數；采用類標簽作為一種監督信息，目標函數重新擬定；將目標函數中的特征子空間施加正交約束；將一個圖像數據集分成測試集和訓練集；通過訓練集，求解出目標函數值最小化時各個變量的值；目標函數求解后得到一個特征子空間；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，最終通過分類器得到所述數據集的識別率；本發明用低秩表示系數作為約束來構造用于特征學習的判別項，其能夠將子空間結構相似性約束引入到適用于圖像識別和分類任務的判別特征學習模型中，促進模型自適應性和魯棒性。

技術領域

本發明屬于圖像分類領域，尤其涉及一種低秩判別特征子空間學習方法。

背景技術

特征子空間學習在模式識別中起著重要作用，并且已經做出許多努力來產生更具判別性的學習模型。近年來，提出了許多基于表示模型的判別特征學習方法，不僅引起了人們的廣泛關注，而且在實際工作中也取得了成功的應用。然而，這些方法構建的判別模型僅僅依賴于訓練樣本的類別標簽，忽略了對隱藏在其中的基本子空間結構信息的考慮。

發明內容

本發明克服了上述現有技術的不足，提供一種低秩判別特征子空間學習方法，使用低秩約束來構造用于特征學習的判別性表示項，將非負低秩表示系數作為衡量子空間結構相似性的約束引入到用于分類的學習模型中，促進模型自適應性和魯棒性；此外，通過將特征子空間學習模型和低秩表示模型放入統一的框架中，可以在迭代期間彼此促進以獲得整體最優；還包含基于類別標簽信息的線性回歸項以增強投影的特征，并且使相同類別的樣本靠近同一聚類中心，不同類別的聚類中心相互遠離，采用迭代數值方案來解決目標函數并保證收斂。

本發明的技術方案：

一種低秩判別特征子空間學習方法，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；

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；

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。

進一步地，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(i＝1,2,...,m)表示X的每一列，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。

進一步地，所述目標函數重新擬定，如下：

s.t.X＝XZ+E,Z_ij≥0