[發明專利]基于正交性約束增量非負矩陣分解的有監督圖像識別方法

有效

• 申請號: 201910595901.2
• 申請日: 2019-07-03
• 公開（公告）號: CN110334761B
• 公開（公告）日: 2021-05-04
• 發明（設計）人: 羅柳紅;葛少迪;李紅軍
• 申請（專利權）人: 北京林業大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 北京市恒有知識產權代理事務所(普通合伙) 11576
• 代理人: 郭文浩;尹文會

本發明屬于圖像識別領域，具體涉及一種基于正交性約束增量非負矩陣分解的有監督圖像識別方法，旨在為了解決現有有監督圖像在線識別方法在新增樣本較多時，累計訓練時間消耗較長，識別效率較低的問題。本發明包括：獲取初始樣本集的矩陣表示V_c；獲取V_c經ONMF算法分解得到基矩陣W_c和系數矩陣H_c；獲取新增樣本集的矩陣表示V_p，構建所有樣本構成的數據矩陣V_z＝[V_c,V_p]，并基于W_c、H_c采用增加正交性約束的INMF算法獲取基矩陣W_z；利用基矩陣W_z的Moore?Penrose逆作為投影變換矩陣，分別對V_z及待識別圖像集的矩陣V_test進行投影變換，然后訓練分類器并對V_test進行識別分類。本發明在新增訓練樣本較多時，可以快速地動態更新基矩陣，大幅減少了時間消耗。

技術領域

本發明屬于圖像識別領域，具體涉及一種基于正交性約束增量非負矩陣分解的有監督圖像識別方法。

背景技術

增量非負矩陣分解(INMF)是一種基于子空間降維的增量學習模型，能夠解決非負矩陣分解(NMF)在有監督圖像識別中，隨訓練樣本增多而重新分解運算的識別效率問題，其思想是動態的更新非負基矩陣，以更好的描述不斷增加的圖像樣本。但是INMF在特征提取階段對新增訓練樣本為逐個增加，所有新增樣本的訓練時間也與新增樣本數量成正比，且得到基矩陣稀疏性較低，局部表達能力不強。正交性約束可以去除基矩陣各向量之間的相關性，在基矩陣非負的前提下，基矩陣越趨于正交則越稀疏。針對INMF的不足，將正交約束與增量學習相結合，得到一種分解后基矩陣更稀疏，局部表達能力更強的增量非負矩陣分解方法具有重要意義。

Bucak等人在2009年提出增量非負矩陣分解算法(incremental non-negativematrix factorization，INMF)的概念[Bucak S S,Gunsel B.Incremental subspacelearning via non-negative matrix factorization[J].Pattern Recognition,2009,42(5):788-797.]，認為單個新加入的訓練樣本幾乎不影響原始基矩陣的表達，利用原始數據的非負矩陣分解結果，對基矩陣和系數矩陣進行快速更新，使特征提取環節具備了增量學習的能力，從而提高了運行效率，應用到了視頻監控中。在此基礎上，王萬良等提出稀疏約束下非負矩陣分解的增量學習算法(INMFSC)，提高了分解后數據的稀疏性，并將其應用到圖像識別中[王萬良,蔡競.稀疏約束下非負矩陣分解的增量學習算法[J].計算機科學,2014,41(8):241-244.]。Zhe-Zhou Yu等提出圖正則增量非負矩陣分解算法(IncrementalGraph Regulated Nonnegative Matrix Factorization IGNMF)，通過在降維過程中保持原高維數據的近鄰分布結構，實現了較好的分類效果。[YU Z Z，LIU Y H，LI B，etal.Incremental Graph Regulated Nonnegative Matrix Factorization for FaceRecognition.Journal of Applied Mathematics，2014.DOI:10.1155/2014/928051.]，Sihang Dang等提出基于L_(1/2)范數約束增量非負矩陣分解算法(L_(1/2)INMF)將稀疏約束與增量學習相結合。[Sihang Dang,Zongyong Cui,Zongjie Cao,et al.SAR targetrecognition via incremental nonnegative matrix factorization with Lp sparseconstraint[J].Science TechnologyEngineering,2017,10(3):0530-0534.]并應用到了SAR圖像識別中，汪金濤等將增量學習的思想引入稀疏約束圖正則非負矩陣分解，提出了稀疏約束圖正則非負矩陣分解的增量學習算法(Incremental learning based on GNMFSCIGNMSC)[汪金濤,曹玉東,孫福明.稀疏約束圖正則非負矩陣分解的增量學習算法[J].計算機應用,2017,37(4):1071-1074.]