[發(fā)明專利]基于自適應(yīng)代價敏感特征學習的不平衡隱寫分析方法

有效

• 申請?zhí)枺?/td>: 202010217273.7
• 申請日: 2020-03-25
• 公開（公告）號: CN111415289B
• 公開（公告）日: 2022-04-01
• 發(fā)明（設(shè)計）人: 王麗娜;嘉炬;翟黎明;任魏翔
• 申請（專利權(quán)）人: 武漢大學
• 主分類號: G06T1/00
• 分類號: G06T1/00;G06K9/62;G06V10/774;G06V10/764
• 代理公司: 武漢科皓知識產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 42222
• 代理人: 王琪

1.基于自適應(yīng)代價敏感特征學習的不平衡隱寫分析方法，其特征在于，包括如下步驟：

步驟1，構(gòu)建具有不同不平衡率的訓(xùn)練樣本集；

步驟2，對訓(xùn)練樣本集進行預(yù)處理，學習所有樣本的最優(yōu)重構(gòu)系數(shù)矩陣Z^*；

步驟3，計算最優(yōu)重構(gòu)系數(shù)矩陣Z^*每列的非零系數(shù)個數(shù)，得到每個訓(xùn)練樣本的最優(yōu)k值；

步驟4，確定每個樣本的最優(yōu)k值后，基于最近鄰算法得到訓(xùn)練樣本的類內(nèi)代價；

步驟5，構(gòu)建總代價矩陣，所述總代價矩陣包括樣本的類內(nèi)代價和類間代價，并基于總代價矩陣生成一系列自適應(yīng)代價敏感分類器，自適應(yīng)代價敏感分類器的最終目標函數(shù)，其表達式為：

min_H||(X^TH-Y)⊙F||_2，1+δ||H||_2，1 式12

其中，X表示訓(xùn)練樣本的特征矩陣，Y表示訓(xùn)練樣本的標簽矩陣，H表示投影矩陣，δ是平衡參數(shù)，F(xiàn)表示總代價矩陣，|| ||_2，1表示L21范數(shù)，⊙表示兩個相同維數(shù)的向量或矩陣之間的元素乘法運算符；

步驟6，離散F度量的區(qū)間范圍，通過迭代優(yōu)化算法來選擇F度量值最大的訓(xùn)練樣本集上的分類器作為最優(yōu)分類器，基于最優(yōu)分類器的投影矩陣，并對投影矩陣中行向量的模進行排序，選取排序靠前的，個行向量對應(yīng)的特征作為隱寫檢測的有效特征。

2.如權(quán)利要求1所述的基于自適應(yīng)代價敏感特征學習的不平衡隱寫分析方法，其特征在于：步驟2中具體實現(xiàn)方式如下，

對于給定的不平衡訓(xùn)練樣本集，令X＝[x₁，...，x_n]∈R^d×n表示訓(xùn)練樣本的特征矩陣，其中n和d分別表示訓(xùn)練樣本數(shù)量和特征維數(shù)，矩陣的標簽Y＝[y¹；…；yⁿ]∈{-1，1}^n×m由訓(xùn)練樣本對應(yīng)的標簽向量組成，其中m為類標簽的數(shù)量，并且yⁱ為第i個訓(xùn)練樣本的標簽的行向量，預(yù)處理的目標是保證兩個向量Xz_i和x_i之間的距離盡可能近，Xz_i表示重構(gòu)后的第i個樣本，該問題用最小二乘損失函數(shù)表示如式1所示：

其中Z＝[z₁，...，z_n]∈R^n×n為重構(gòu)系數(shù)矩陣，為了防止過擬合，提高泛化能力，在式1中加入L2范數(shù)作為正則化項，其表達式改寫如下：

其中μ是調(diào)優(yōu)參數(shù)以確保在欠擬合與過擬合之間保持平衡，其式2的近似解表示為：

Z＝(X^TX+μE)^-1X^TX 式3

其中E是單位矩陣；

引入L1范數(shù)來實現(xiàn)式3的稀疏化，即利用生成的稀疏重構(gòu)系數(shù)矩陣Z，從樣本中選擇一些有效的特征來表示每個要重建的樣本，即

其中Z≥0表示矩陣Z的每個元素都是非負的；

通過數(shù)學變換引入正則化項，得到重建過程的目標函數(shù)：

其中R₁(Z)＝Tr(Z^TX^TLXZ)，Tr(A)表示矩陣的跡，L∈R^d×d表示特征之間關(guān)系信息的拉普拉斯矩陣；

最終的目標函數(shù)是凸的而不是光滑的，使用迭代法對式7進行優(yōu)化，并通過迭代優(yōu)化得到最優(yōu)解Z^*，即最優(yōu)重構(gòu)系數(shù)矩陣Z^*。

3.如權(quán)利要求1所述的基于自適應(yīng)代價敏感特征學習的不平衡隱寫分析方法，其特征在于：步驟3中，每個訓(xùn)練樣本的最優(yōu)k值通過如下方式具體實現(xiàn)，

Z^*中的元素z_ij反映第i個訓(xùn)練樣本與第j個訓(xùn)練樣本之間的相關(guān)關(guān)系，元素的非零值，即z_ij≠0表示第i個訓(xùn)練樣本與第j個訓(xùn)練樣本之間存在相關(guān)性，而0值，即z_ij＝0表示它們之間不存在相關(guān)性，通過統(tǒng)計相關(guān)的訓(xùn)練樣本個數(shù)，為每個訓(xùn)練樣本確定最優(yōu)的k。

4.如權(quán)利要求3所述的基于自適應(yīng)代價敏感特征學習的不平衡隱寫分析方法，其特征在于：步驟6的具體實現(xiàn)方式如下，

設(shè)總代價矩陣表示為F＝[f₁，…，f_m]∈R^n×m，f＝[f₁，...，f_n]^T∈Rⁿ為總代價向量，m是總代價向量的數(shù)量，n指訓(xùn)練樣本的個數(shù)，對式12變形得到以下表達式：

XA_θBA_θX^Th_θ-XA_θBA_θy_θ+δQh_θ＝0 式13

其中h_θ表示投影矩陣H中第θ個列向量，1≤θ≤m，δ是平衡參數(shù)，A_θ、B和Q都是對角矩陣，對角矩陣A_θ∈R^n×n通過下式產(chǎn)生；

A_θ＝diag(f_θ) 式14

其中，f_θ是總代價矩陣F的第θ個列向量，diag(f_θ)取f_θ的第θ個元素組成對角矩陣；B∈R^n×n的第i個對角元素為，

ε是一個小的擾動參數(shù)，用于調(diào)整b_ii；此外，當ε→0時，目標函數(shù)在式12中相當于最小化以下問題：

同理，Q∈R^d×d的第i個對角元素q_ii由下式計算：

hⁱ表示投影矩陣H的第i個行向量，因此，得到下面的封閉形式的解：

h_θ＝(XA_θBA_θX^T+δQ)^-1·(XA_θBA_θy_θ) 式18

通過迭代算法求得投影矩陣的列向量h_θ，最終獲得的投影矩陣H的每個行向量hⁱ，計算||hⁱ||值，并將其值進行排序，依據(jù)排序順序選擇靠前的hⁱ對應(yīng)的訓(xùn)練樣本的特征。