[發明專利]一種多視子空間聚類方法及裝置

在審

• 申請號: 202011330698.5
• 申請日: 2020-11-24
• 公開（公告）號: CN112418319A
• 公開（公告）日: 2021-02-26
• 發明（設計）人: 孫艷豐;郭繼鵬;胡永利
• 申請（專利權）人: 北京工業大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 北京市中聞律師事務所 11388
• 代理人: 馮夢洪

一種多視子空間聚類方法及裝置，能夠充分利用多視數據之間的互補性信息，并且保證自表示矩陣的聚類結構一致性，在聚類性能上具有很大的提升。方法包括：(1)獲取原始數據集的多視特征矩陣(2)對于給定的多視數據X_v，根據低秩自表示子空間聚類方法,對每個視數據的表示系數矩陣Z_v分別進行低秩約束和秩結構一致性約束,構建基于低秩矩陣分解和秩結構一致性約束的多視子空間聚類模型；(3)對于構造的多視子空間聚類模型，采用交替方向乘子法求解優化問題，得到秩結構一致的多視自表示系數矩陣；(4)將多視自表示系數矩陣融合得到關聯矩陣W，對關聯矩陣W執行譜聚類得到最后的聚類結果。

技術領域

本發明涉及圖像處理的技術領域，尤其涉及一種多視子空間聚類方法，以及一種多視子空間聚類裝置。

背景技術

多視數據是指由多個不同視角的數據特征描述同一樣本。在很多實際應用中，多視數據變得越來越普遍。例如，對于視頻監控系統，多攝像機系統從多個角度記錄人類的活動；互聯網網絡新聞包括文本、圖像和語音視頻等；對于圖像數據，可以使用不同的特征描述圖像，例如，SIFT特征、LBP特征、HOG特征等。多視數據從不同角度描述同一樣本，可以提供互補信息。聚類分析是重要的數據挖掘方法，但是傳統的聚類方法無法最大化利用多視數據的互補性信息，直接將單視聚類方法應用于多視數據無法獲得較好的效果。因此，多視子空間聚類被提出。多視子空間聚類的目標是將近似采樣于同一子低維空間的多視樣本劃分到同一類中，它可以整合來自多視數據的互補性信息并且要盡可能保證一致性。

近年來，各種多視子空間聚類方法被提出。由于自表示的子空間聚類方法具有完備的理論性和對噪聲的魯棒性，一些多視子空間聚類方法將數據的自表示性引入到多視聚類中。基于數據線性可分的假設，所謂的數據的自表示性，即數據樣本可以被同一子空間(即同一類)的其他數據樣本線性組合表示。互補性原則和一致性原則是多視學習中兩大重要的準則。基于自表示的多視子空間聚類方法關鍵在于，如何利用多視數據特征學習融合多視信息的自表示系數矩陣。例如，為了更好地挖掘多視的互補性信息，Diversity-induced Multi-view Subspace Clustering(DiMSC)利用希爾伯特施密特獨立性準則對多視的表示系數矩陣進行差異性約束。Low-rank Tensor constrained Multi-viewSubspace Clustering(LTMSC)采用低秩張量約束來探索多視表示系數矩陣之間的高階關系。除了互補性信息，挖掘多視數據的一致性也是重要的。Consistent and SpecificMulti-view Subspace Clustering(CSMSC)將一致性和各視互補性信息編碼為公共的表示系數矩陣和各視特定的表示系數矩陣。此外，一些多視子空間聚類方法基于特征層面融合多視信息。例如，Latent Multi-view Subspace Clustering(LMSC)假設多視數據來源于一個潛在的特征空間，隨后經典的單視Low Rank Representation(LRR)子空間聚類方法應用在潛在的特征上獲得公共的自表示系數矩陣。

雖然上述方法的聚類效果已經取得很大提升，但大部分多視自表示子空間聚類方法假設多視數據共享相同的自表示系數矩陣來探索多視數據中一致性信息。事實上，對于多視聚類這是不合理的，因為不同視的數據應該有視特定的自表示性質，即自表示系數矩陣應該是元素不相同的。然而，合理的假設應該是：不同視數據的自表示系數矩陣具有相同的數據分布或聚類結構，而并非完全元素一樣。

發明內容

為克服現有技術的缺陷，本發明要解決的技術問題是提供了一種多視子空間聚類方法，其能夠充分利用多視數據之間的互補性信息，并且保證自表示矩陣的聚類結構一致性，在聚類性能上具有很大的提升。

本發明的技術方案是：這種多視子空間聚類方法，包括以下步驟：

(1)獲取原始數據集的多視特征矩陣