[發明專利]一種用于高維圖像數據的自主子空間聚類方法

有效

• 申請號: 201910560704.7
• 申請日: 2019-06-26
• 公開（公告）號: CN110414560B
• 公開（公告）日: 2022-06-07
• 發明（設計）人: 杜博;劉友發;張樂飛
• 申請（專利權）人: 武漢大學
• 主分類號: G06V10/762
• 分類號: G06V10/762;G06K9/62
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 嚴彥

本發明提供一種用于高維圖像數據的自主子空間聚類方法，包括獲取高維圖像數據，基于自主學習正則化項，通過求解樣本權重的優化問題來學習樣本的權重；通過帶權重的自表示模型求自表示系數；利用自表示系數建立樣本的相似度圖；基于樣本的相似度圖進行譜聚類；檢驗收斂條件，若不滿足則返回，若滿足則流程終止，得到最終的自主子空間聚類結果。該方法將自主學習與子空間聚類進行融合，通過一種新的自主正則化項來對樣本進行權重調整，有效的改善了子空間聚類模型的局部最優解，從而提升子空間聚類的性能。

技術領域

本發明屬于計算機視覺領域，具體涉及用于高維圖像數據的一種自主子空間聚類方法。

背景技術

高維數據遍及于很多計算機視覺應用，如人臉聚類、運動分割等，這些數據通常位于多個低維子空間中，如何找出這些數據相應的子空間？這是一個具有挑戰性的問題。從高維數據集中恢復出潛在的低維子空間結構有助于減少計算代價，算法的內存需求和噪聲或異常物。因此，解決這個問題具有重要意義。子空間聚類是一個流行的方法，近些年有大量的工作涌現，但大多數是基于自表示模型來建模的。基于自表示模型的方法具有一定的可解釋性，例如，Elhamifar,Ehsan和Rene Vidal于2013年在著名的模式識別與機器智能期刊IEEE Transactions on Pattern Analysis and Machine Intelligence上發表名為“Sparse subspace clustering:Algorithm,theory,and applications”的論文，解釋了自表示模型挖掘潛在子空間的可行性，為子空間聚類提供了一個比較好的建模方法，但這種方法依賴于下面兩個假設之一：

1)子空間獨立性。

2)子空間的不相交性。

然而，在實際應用中，這二者往往很難滿足。最近，基于相似度和子空間聚類的聯合框架收到關注，例如Chun-Guang Li,Chong You和Rene Vidal于2017年發表在圖像處理頂級期刊IEEE Transactions on Image Processing上的名“Structured SparseSubspace Clustering:A Joint Affinity Learning and Subspace ClusteringFramework”的文章。然而這些方法都利用了自表示模型，但是都忽略了它所依賴的假設在實際中很難成立的事實，因此需要一種適用范圍更廣的子空間聚類方法。

發明內容

為了解決上述技術問題，本發明提供了一種用于高維圖像數據的自主子空間聚類方法，通過自主學習與子空間聚類融合，使得子空間聚類能適應更松的假設：

1)部分子空間獨立。

或者

2)部分子空間不相交性。

本發明所采用的技術方案為一種用于高維圖像數據的自主子空間聚類方法，包括以下步驟：

步驟1，獲取高維圖像數據，基于自主學習正則化項，通過求解樣本權重的優化問題來學習樣本的權重；

步驟2，通過帶權重的自表示模型求自表示系數；

步驟3，利用自表示系數建立樣本的相似度圖；

步驟4，基于步驟3所得樣本的相似度圖進行譜聚類；

步驟5，檢驗收斂條件，若不滿足則返回步驟1，若滿足則流程終止，得到最終的自主子空間聚類結果。

而且，步驟1中，求解樣本權重的優化問題如下，