[发明专利]基于正则化图的多视角识别方法

说明书

一种基于正则化图的多视角识别方法，实现步骤：1.从多视角数据库中任意提取一个视角特征；2.进行预处理；3.构建正则化图；4.计算正则化图的拉普拉斯矩阵；5.计算训练样本的散度矩阵；6.判断是否选取完所提取的视角特征中所有的视角特征，若是，则执行步骤7，否则，执行步骤1；7.计算相关性值；8.计算所有训练样本的投影两两组合后的视角特征；9.利用最近邻分类器对投影两两组合后的视角特征进行识别分类。本发明可在一个样本存在多个视角的情况下，利用多视角特征信息和单一视角特征类间的局部判别信息，提高了分类精度，使得对多视角特征的识别更加准确。

技术领域

本发明属于图像处理技术领域，更进一步涉及一种模式识别及机器学习技术领域中的一种基于正则化图的多视角识别方法。本发明是基于正则化图(Regularized Graph，RG)的多视角识别方法，本发明可用于行人识别，文本识别以及人脸识别。

背景技术

随着信息技术以及传感器技术的发展，通过不同传感器可以获取到一个样本的不同特征，多视角识别成为模式识别和机器学习领域的一大热点问题。大量研究表明，单一视角特征在一些应用上不如多特征组合提取的信息完整，深入挖掘多个视角特征间的潜在信息，通过视角特征间的互相促进，可以更全面的获取样本的信息。多视角识别的主要任务是根据提取的同一目标样本的不同视角特征，将其和数据库中的目标进行对比，确定待识别的目标。目前，对目标进行多视角识别的方法为基于特征提取的方法。

基于特征提取的多视角识别方法需要对目标进行特征提取和选择，特征降维是特征选择的一种表现形式。在单一特征的情况下，常用的数据降维技术包括：主成分分析PCA、局部保持投影LPP、线性判别分析LDA、边缘判别分析MFA等，由上述方法降维后的特征可以用最近邻这样的分类器进行识别。多视角特征情况下，需要将特征两两组合，经典的两两组合特征的方法有典型相关分析CCA、鉴别性典型相关分析DCCA。DCCA方法通过考虑两两特征之间的类内和类间相关性，提取了两个不同特征之间的类别信息，但是它的不足是没有考虑同一特征的判别信息。

山东大学在其申请的专利文件“一种基于稀疏保持典型相关分析的低分辨率人脸识别方法”(申请号：CN201610473709.2申请公开号：CN106203256A)中公开一种基于稀疏保持典型相关分析的低分辨率人脸识别方法。该方法包括训练部分和测试部分。训练部分的具体步骤是：第一步，通过主成分分析方法提取高分辨率和低分辨率人脸图像的有效特征并分别得出对应于高分辨率和低分辨率人脸图像的主成分分析投影矩阵。第二步，构造稀疏权重矩阵，使稀疏重构误差最小，结合典型相关分析CCA，使得高低分辨率人脸图像数据间相关性最大，将低分辨率和高分辨率训练样本集投影到同一子空间中。测试部分的具体步骤是：第一步，使用训练部分得到的低分辨率的主成分分析投影矩阵对待测的低分辨率人脸图像样本进行初步特征提取。第二步，对稀疏保持典型相关分析方法得到的低分辨率训练样本集的投影矩阵将上步主成分分析提取的特征进行映射。最后，通过最近邻分类器对映射后的样本进行分类识别。该方法存在的不足之处是：融合两个特征时，由于没有考虑样本的标记信息，无法提取两两特征之间的类别信息，导致不能更好的实现目标分类。

Sun,S.,Xie,X.,Yang,M在其发表的论文“Multi-view uncorrelateddiscriminant analysis”(IEEE transactions on cybernetics),46(12),3272-3284(2016)中提出了一种融合线性判别分析LDA和典型相关分析CCA的多视角识别方法。该方法首先利用LDA建立一个单一视角特征模型，通过最大化类间散度矩阵和类内散度矩阵的比率来把高维空间的数据投影到低维空间上去；然后，通过CCA提取两个不同视角特征的相关信息；最后，通过把不同视角特征的相关信息和同一视角特征的判别信息同时最大化，来求取最佳投影矩阵，将投影子空间的样本特征用分类器得出识别结果。该方法存在的不足之处是，忽略了同一视角特征中样本类间的局部判别信息，导致多视角识别精度会有损失。

发明内容