[發(fā)明專利]一種多視數(shù)據(jù)子空間聚類方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010141519.7
• 申請(qǐng)日: 2020-03-02
• 公開（公告）號(hào): CN111324791B
• 公開（公告）日: 2021-08-17
• 發(fā)明（設(shè)計(jì)）人: 胡永利;孫道治;孫艷豐;尹寶才
• 申請(qǐng)（專利權(quán)）人: 北京工業(yè)大學(xué)
• 主分類號(hào): G06F16/906
• 分類號(hào): G06F16/906;G06K9/62
• 代理公司: 北京市中聞律師事務(wù)所 11388
• 代理人: 馮夢(mèng)洪

公開一種多視數(shù)據(jù)子空間聚類方法，其能夠充分揭示多視數(shù)據(jù)的結(jié)構(gòu)信息，提高圖像的聚類性能。這種多視數(shù)據(jù)子空間聚類方法，該方法包括以下步驟：(1)在多視數(shù)據(jù)子空間聚類的方法中加入低秩表示約束；(2)在多視數(shù)據(jù)子空間聚類的方法中加入稀疏表示約束；(3)通過一個(gè)前后級(jí)聯(lián)構(gòu)建特定形式的聚類相似度矩陣。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像分類的技術(shù)領(lǐng)域，尤其涉及一種多視數(shù)據(jù)子空間聚類方法。

背景技術(shù)

隨著科技的迅速發(fā)展，獲取數(shù)據(jù)的方式更加多樣化，海量的文本、圖像、音頻以及視頻數(shù)據(jù)在人們生活的各個(gè)方面都起著重要的作用，對(duì)大規(guī)模數(shù)據(jù)的分析與處理日益在科學(xué)研究領(lǐng)域占據(jù)著舉足輕重的地位。數(shù)據(jù)內(nèi)容的高復(fù)雜度導(dǎo)致數(shù)據(jù)維度升高，并且很多數(shù)據(jù)可以通過不同的來源觀測(cè)或是多種類型的特征描述，比如監(jiān)控視頻可以從不同的角度獲得同一位置的信息，圖像可以使用不同的特征描述(如局部二值特征、紋理特征、空間包絡(luò)特征等)。實(shí)際上，這些數(shù)據(jù)可以認(rèn)為是相同的對(duì)象通過不同的途徑或是在不同的空間中觀測(cè)到的信號(hào)，稱之為多視數(shù)據(jù)。

作為數(shù)據(jù)挖掘技術(shù)中的一個(gè)關(guān)鍵，聚類分析已經(jīng)得到廣泛探討和研究。數(shù)據(jù)的聚類分析是指根據(jù)選擇的標(biāo)準(zhǔn)把一個(gè)待聚類數(shù)據(jù)集中的對(duì)象歸為若干類或簇，使得同一類的數(shù)據(jù)盡可能相似，同時(shí)不同類數(shù)據(jù)盡可能地不同。對(duì)于數(shù)據(jù)聚類的問題，子空間聚類方法假設(shè)可以找到只使用維度子集定義的有效聚類，從不同子空間的角度考察各個(gè)數(shù)據(jù)簇聚類劃分的意義，并為每個(gè)數(shù)據(jù)簇尋找相對(duì)應(yīng)的子空間，獲得子空間的個(gè)數(shù)、維度和各個(gè)子空間的基，利用特征子集構(gòu)建原始數(shù)據(jù)的特征子空間完成聚類。子空間聚類的核心是構(gòu)造恰當(dāng)?shù)谋硎灸Ｐ停M可能接近數(shù)據(jù)的真實(shí)子空間結(jié)構(gòu)，并且使獲取到的表示系數(shù)及其建立的相似矩陣有助于提升子空間聚類的精確度。

現(xiàn)有的子空間聚類和表示方法，例如基于低秩的稀疏子空間聚類方法(Low RankSparse Subspace Clustering),基于拉普拉斯約束的低秩表示子空間分割方法(Laplacian regularized LRR)，在許多研究方向已經(jīng)獲得非常有效的結(jié)果，然而此類方法大多更關(guān)注單視數(shù)據(jù)的聚類，直接對(duì)多視數(shù)據(jù)進(jìn)行應(yīng)用往往會(huì)忽略許多重要的多視信息。對(duì)于多視數(shù)據(jù)的聚類，通常要針對(duì)不同視角間的結(jié)構(gòu)對(duì)所得的子空間表示進(jìn)行約束，例如基于低秩約束的張量多視子空間聚類方法(Low-Rank Tensor Constrained MultiviewSubspace Clustering)對(duì)數(shù)據(jù)的子空間表示進(jìn)行了低秩約束，而不完整和無標(biāo)簽多視數(shù)據(jù)的統(tǒng)一子空間學(xué)習(xí)(Unified subspace learning for incomplete and unlabeledmulti-view data)中則約束投影矩陣是稀疏的用于選擇相關(guān)特征。

然而，目前的多視數(shù)據(jù)聚類方法通常對(duì)相似矩陣只考慮了低秩或者稀疏一個(gè)方面的約束，沒有充分利用兩種約束對(duì)自表示模型的增益。因此，深入研究低秩表示和稀疏表示對(duì)相似矩陣的作用關(guān)系，設(shè)計(jì)有效的多視數(shù)據(jù)聚類方法，具有顯著的研究意義和應(yīng)用價(jià)值。

發(fā)明內(nèi)容

為克服現(xiàn)有技術(shù)的缺陷，本發(fā)明要解決的技術(shù)問題是提供了一種多視數(shù)據(jù)子空間聚類方法，其能夠充分揭示多視數(shù)據(jù)的結(jié)構(gòu)信息，提高圖像的聚類性能。

本發(fā)明的技術(shù)方案是：這種多視數(shù)據(jù)子空間聚類方法，該方法包括以下步驟：

(1)在多視數(shù)據(jù)子空間聚類的方法中加入低秩表示約束；

(2)在多視數(shù)據(jù)子空間聚類的方法中加入稀疏表示約束；

(3)通過一個(gè)前后級(jí)聯(lián)構(gòu)建特定形式的聚類相似度矩陣。

本發(fā)明通過將低秩約束和稀疏約束結(jié)合起來統(tǒng)一到一個(gè)優(yōu)化模型中，并且通過一個(gè)前后級(jí)聯(lián)的步驟實(shí)現(xiàn)數(shù)據(jù)整體和局部特性的挖掘，因此能夠充分揭示多視數(shù)據(jù)的結(jié)構(gòu)信息，提高圖像的聚類性能。

附圖說明

圖1示出了根據(jù)本發(fā)明的多視數(shù)據(jù)子空間聚類方法的流程圖。

圖2示出了Pie數(shù)據(jù)庫示例圖。