[发明专利]一种基于多视角的数据子空间聚类方法

权利要求书

1.一种基于多视角的数据子空间聚类方法，包括步骤：

步骤S1，提取多视角数据库中的多视角特征；

步骤S2，对于所述多视角数据库，选择特定的线性重构表示方法，并确定所述线性重构表示方法相对应的正则化约束方式；

步骤S3，确定所述多视角特征中每个视角特征的重构误差权重；

步骤S4，根据所选定的重构表示方法和所获得的不同视角特征的重构误差权重，学习得到对所述多视角数据库中所有样本进行重构的线性表示矩阵；所述线性表示矩阵用于表示数据库中样本之间的关系，其元素值表示其所在行对应的样本重构其所在列对应样本的重构系数；

步骤S5，将所述线性表示矩阵进行相应处理，得到度量所述多视角数据库中样本相似性的亲和矩阵；

步骤S6，利用谱聚类算法对所述亲和矩阵进行分割，得到多视角数据子空间。

2.根据权利要求1所述的方法，其特征在于，所述步骤S2中，所述线性重构表示方法包括1范数约束的稀疏表示方法、核范数约束的低秩表示方法以及F范数约束的岭回归表示方法。

3.根据权利要求1所述的方法，其特征在于，所述步骤S3中，根据不同视角特征对于数据表示能力的强弱确定视角特征的重构误差权重。

4.根据权利要求1所述的方法，其特征在于，所述步骤S4中，线性表示矩阵的每一列对应当前视角下样本被数据库所有样本进行重构的系数列向量，每一列的元素值表示元素所在行所对应数据库中的样本的重构系数。

5.根据权利要求1所述的方法，其特征在于，步骤S4中学习获得线性表示矩阵的目标函数如下表示：

其中，X^υ是多视角数据库中第υ视角的特征矩阵，每一列表示一个样本的视觉特征向量，为第υ视角的重构误差，γ为预设的比例系数，Z为线性表示矩阵，为线性表示矩阵的正则化约束表示；ω^υ为第υ视角的权重。

6.根据权利要求5所述的方法，其特征在于，步骤S4中采用增广拉格朗日乘子法优化上述目标函数，得到优化后的目标函数如下所示：

其中，J为中间变量，Y为拉格朗日乘子项，μ预设系数，tr为trace的缩写，即求矩阵的迹。

7.根据权利要求6所述的方法，其特征在于，步骤S4中所述优化后的目标函数如下求解：

步骤S41，求解J：

步骤S42，求解Z：

tmp＝2∑_υω^υ(X^υ)^TX^υ，Z＝(tmp+μI)^-1(tmp-Y+μJ)

其中，tmp为中间矩阵，I为tmp矩阵维度相同的单位矩阵；

步骤S43，增加μ的值，并求解Y，其中，Y＝Y+μ(Z-J)，转步骤S41，直至Z＝J。

8.根据权利要求7所述的方法，其特征在于，所述正则化约束包括1范数约束表示||Z||₁、核范数约束表示||Z||_*和F范数约束表示

其中，时，采用软阈值求解：J_ij＝(|k|-γ/μ)₊sgn(k)，J_ij为所求矩阵J中的元素，k为矩阵Z+Y/μ中对应的元素，其中，(|k|-γ/μ)₊表示括号内若为正值则返回正值，否则返回零，sgn(k)表示返回k的符号；

时，采用奇异值分解求解得到：J＝D_γ/μ(Z+Y/μ)＝UD_γ/μ(∑)V^*，(Z+Y/μ)＝U∑V^*，D_γ/μ(∑)＝diag(σ_i-γ/μ)₊，其中，diag()表示对角矩阵，其对角线第i元素为(σ_i-γ/μ)₊，σ_i对角矩阵∑的第i元素；

时，直接得到解析形式解：J＝μ/(2γ+μ)*(Z+Y/μ)。

9.根据权利要求1所述的方法，其特征在于，所述步骤S5中对所述线性表示矩阵进行非负和对称化处理得到所述亲和矩阵；在步骤S6中，采用Normalized Cuts聚类方法对亲和矩阵进行分割。

10.一种基于多视角的数据子空间聚类装置，其包括：

特征提取模块，其用于提取多视角数据库中的多视角特征；

线性重构选择模块，其用于对于所述多视角数据库，选择特定的线性重构表示方法，并确定所述线性重构表示方法相对应的正则化约束方式；

重构误差权重确定模块，其用于确定所述多视角特征中每个视角特征的重构误差权重；

线性表示矩阵获取模块，其用于根据所选定的重构表示方法和所获得的不同视角特征的重构误差权重，学习得到对所述多视角数据库中所有样本进行重构的线性表示矩阵；所述线性表示矩阵用于表示数据库中样本之间的关系，其元素值表示其所在行对应的样本重构其所在列对应样本的重构系数；

亲和矩阵获取模块，其用于将所述线性表示矩阵进行相应处理，得到度量所述多视角数据库中样本相似性的亲和矩阵；

多视角数据子空间聚类模块，其用于利用谱聚类算法对所述亲和矩阵进行分割，得到多视角数据子空间。