[發明專利]一種基于魯棒子空間表示的局部自適應特征選擇方法及裝置

在審

• 申請號: 202110646766.7
• 申請日: 2021-06-10
• 公開（公告）號: CN113378926A
• 公開（公告）日: 2021-09-10
• 發明（設計）人: 李驁;王穎;牛宇童
• 申請（專利權）人: 哈爾濱理工大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明的實施方式提供了一種基于魯棒子空間表示的局部自適應特征選擇方法及裝置，屬于圖像分類技術領域，本發明引入低秩表示來構建一個數據重建模型，以此彌補噪聲對數據真實結構的破壞；為了更好的探索數據的結構，采用自適應學習方式，學習到更具判別性的特征投影；將目標函數中的特征投影施加正交約束；將一個圖像數據集分成測試集和訓練集；通過訓練集，求解出目標函數值最小化時各個變量的值；目標函數求解后得到一個特征投影；通過所述特征投影投影測試集，得到數據集里所有類別圖像的判別性高的特征，最終通過分類器得到所述數據集的識別率；本發明用自表示系數作為約束項來構造特征投影的判別項，能夠將子空間結構相似性約束引入到適用于圖像識別和分類任務的判別特征學習模型中，促進模型自適應性和魯棒性。

技術領域

本發明的實施方式涉及圖像分類領域，更具體地，本發明的實施 方式涉及一種基于魯棒子空間表示的局部自適應特征選擇方法及裝 置。

背景技術

隨著人臉識別與圖像分類技術的快速發展，特征選擇成為了取得 較好識別與分類結果的關鍵技術，目前已經廣泛的應用到數據挖掘、 計算機視覺及模式識別等領域，并取得了顯著的效果。

近來，基于子空間的特征選擇方法由于良好的數據驅動特性收到 了學者的廣泛關注，其基本思想是利用訓練數據構建學習模型來學習 滿足數據分布特性的投影矩陣，可以將原有的高維數據矩陣投影到低 維空間。同時，在投影過程中將數據的判別性信息保留，并期待在投 影空間能夠進一步突出數據間的類內相似性和類間差異性。

發明內容

為解決上述問題，本發明提供了一種基于魯棒子空間表示的局部 自適應特征選擇方法，所述方法包括步驟：

將一個圖像數據集劃分為訓練集和測試集；

定義判別特征選擇模型的目標函數；

引入低秩重構樣本的魯棒性子空間約束項，對所述目標函數重新 擬定，得到第一目標函數；

引入稀疏正則化約束項，對第一目標函數重新擬定，得到第二目 標函數；

引入輔助變量，對所述第二目標函數重新擬定，得到第三目標函 數；

通過所述訓練集，求解出當所述第三目標函數數值最小時各個變 量的值；

將所述第三目標函數求解，得到一個特征投影；

通過所述特征投影對所述測試集投影，以得到所述數據集里所有 類別圖像的判別性較高的特征，并通過分類器得到所述數據集的識別 率。

優選地，所述判別特征選擇模型的目標函數為：

s.t.W^TW＝I,Z_ij≥0

其中，X＝[X₁,X₂,...,X_m]表示訓練樣本，X_i(i＝1,2,...,m)表示X的第i列，m表示訓練樣本的總數，Z表示矩陣，W表示學習得到的特征投 影矩陣，Z表示系數表示矩陣，Z_ij為矩陣Z中的第i行第j列的值。

優選地，引入低秩重構樣本的魯棒性子空間約束項的目標函數為：

s.t.W^TW＝I,Z_ij≥0

其中，||·||_F為張量的Frobinus范數。

優選地，所述關于局部自適應特征選擇模型的目標函數的表達式 為：

s.t.W^TW＝I,Z_ij≥0