[发明专利]基于多任务学习的动态纹理识别方法

权利要求书

1.一种基于多任务学习的动态纹理识别方法，其特征在于，包括：

计算每个视频中每个像素点位置的混沌特征向量，其中混沌特征向量F＝[τ，m，D_i，mean]，其中D是信息维数，τ和m分别是嵌入延迟和嵌入维数，mean代表像素时间序列的平均值；

基于用词袋模型对视频建模，得到直方图特征；

将总模型W分解为组稀疏模型部分l_1，∝和元素稀疏部分l_1，1，组稀疏模型部分得到多任务之间的共性特征，而元素稀疏模型则是获取各个特征的个性部分，用ADMM算法计算。

2.根据权利要求1所述的基于多任务学习的动态纹理识别方法，其特征在于，基于用词袋模型对视频建模，得到直方图特征具体包括：按照词袋模型，先用k-均值方法对所有视频的特征进行聚类，形成代码本，所有视频的特征向量以代码本里面的向量为聚类中心，进行聚类，形成直方图特征。

3.根据权利要求1所述的基于多任务学习的动态纹理识别方法，其特征在于，对于一组训练数据，用X＝[X₁，…，X_J]来表示，其中J是训练数据的总个数，m_f代表每个训练数据的维数；

给定测试特征Y＝[Y₁，…，Y_I]，其中I是测试数据的总个数；

Y=Σj=1JXjWj+ϵ---(1)]]>

其中W_j∈R^J是第j类的重构系数矩阵，是残差项；令W＝[W₁，…，W_J]，上面公式(1)可以表示为公式(2)，即：

minL,S||Y-X(L+S)||F2+λ1||L||1,∞+λ2||S||1,1,W=L+S---(2)]]>

根据ADMM方法，上述公式(2)可以分解为下面两个互相耦合的子问题来循环求解，直到方法收敛；

L:minimizeL12||(Y-XS)-XL||F2+λ1||L||1,∞,---(3)]]>

S:minimizeS12||(Y-XL)-XS||F2+λ2||S||1,1,---(4)]]>

公式(3)可以计算如下：

L子问题：

minimizeL,ZL12||(Yk-XkSk)-XkL||F2+λ1||ZL||1,∞,s.t.L=ZL---(5)]]>

用ADMM求解如下

Lk+1=((Xk)TXk+ρI)-1[(Xk)T(Yk-XkSk)+ρ(ZLk-uLk)]---(6)]]>

ZLk+1=argminZL(ρ2||Lk+1-(ZLk-uLk)||F2+λ1||ZLk||1,∞)---(7)]]>

uLk+1=uLk+Lk+1-ZLk+1---(8)]]>

公式(4)可以通过如下ADMM方法计算得到；

S子问题:

minimizeS,ZS12||(Yk-XkLk+1)-XkS||F2+λ2||ZS||1,1,s.t.S=ZS---(9)]]>

用ADMM求解如下

Sk+1=((Xk)TXk+ρI)-1[(Xk)T(Yk-XkSk+1)+ρ(ZSk-uSk)]---(10)]]>

ZSk+1=argminZL(ρ2||Lk+1-(ZSk-uSk)||F2+λ2||ZSk||1,1)---(11)]]>

uSk+1=uSk+Sk+1-ZSk+1---(12)]]>

公式(11)中的计算结果如下：

ZSk+1=Eδ/ρ(Sk+1+uSk)---(13).]]>