[發明專利]一種基于最優協同表示的穩健判別特征提取方法

有效

• 申請號: 201910255564.2
• 申請日: 2019-04-01
• 公開（公告）號: CN109840567B
• 公開（公告）日: 2021-12-17
• 發明（設計）人: 袁明冬;胡金暉;張興;黃詩盛
• 申請（專利權）人: 中電科新型智慧城市研究院有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 深圳中一聯合知識產權代理有限公司 44414
• 代理人: 李艷麗

1.一種基于最優協同表示的穩健判別特征提取方法，其特征在于：包括計算機及存儲其中的圖像庫，并從所述圖像庫提取基于最優協同表示的L₂,p，0＜p＜2，范數穩健判別特征；

所述基于最優協同表示的穩健判別特征提取方法，提取方法包括如下步驟：

S10,構造訓練樣本集X和測試樣本集X^test；

S20,預設相關參數及類內相似性權重矩陣W，令初始迭代次數t＝0，并初始化低維投影矩陣Q_t；

S30,將訓練樣本X投影到低維空間Q_t得到其中T表示對矩陣或向量的進行轉置運算；

S40,計算d維投影空間中每個訓練樣本y_i的協同表示系數s_i，i＝1,2,...,n，并構造協同表示系數矩陣S＝[s₁,s₂,,,s_n]∈R^n×n；

S50,根據投影矩陣Q_t和S40中所得協同表示系數矩陣S，結合L₂,p，0＜p＜2，范數，計算d維空間中協同保持離散度矩陣和全局離散度矩陣

S60,構建最優化目標函數tr(.)表示跡運算操作符；計算廣義特征方程的d個最小廣義特征值所對應的特征向量，形成投影矩陣Q_t+1＝[q₁,q₂,…,q_d]∈R^m×d；

S70,計算當前目標函數值J(Q_t+1)，當t≥1時判斷是否滿足收斂條件或超過預設的最大迭代次數：若滿足收斂條件或超過預設最大迭代次數，退出循環，輸出最終投影矩陣Q_t+1＝[q₁,q₂,...,q_d]；否則，令t＝t+1，重復步驟S30-S60；

S80,利用最終的投影矩陣Q_t+1對測試樣本進行投影，得到測試樣本集的低維投影并利用最近鄰分類器進行分類。

2.根據權利要求1所述的基于最優協同表示的穩健判別特征提取方法，其特征在于：所述S10步驟中的訓練樣本集和測試樣本集的構造方法如下：

S11,將圖像庫中的每幅圖像按照固定的行順序連接并轉化為列向量，并存儲為圖像向量集Ω；

S12,從圖像向量集Ω包含的每類圖像中隨機選取一部分構造訓練集X＝[x₁,x₂,...x_n]∈R^m×n，剩余樣本為測試集X^test∈R^m×z，其中R表示實數域，m為原始空間中樣本的維數，n為訓練樣本的個數，z為測試樣本的個數；構造訓練樣本X每列所屬的標簽信息。

3.根據權利要求1所述的基于最優協同表示的穩健判別特征提取方法，其特征在于：所述S20步驟中的相關參數設置、類內相似性權重矩陣W及初始化的低維投影矩陣構造方法如下：

S21,預設用于求解協同表示系數的正則化參數λ，其取值范圍為(0,+∞)，實際情況中λ通常通過交叉驗證求取；

S22,設定最大迭代次數為N，同時設定終止條件閾值ε，其最終迭代步數由算法收斂結果決定；

S23,用編程軟件隨機生成初始化低維投影矩陣Q_t∈R^m×d，t＝0，其中d為低維空間的維數，且d＜＜m；

S24,根據訓練樣本標簽信息，構造類內相似性權重矩陣W∈R^n×n，其構造方式如下：若訓練樣本x_i和x_j屬于同一類,包括i＝j情形，則對應元素值為1，否則為0。