[发明专利]一种低秩判别特征子空间学习方法

说明书

一种低秩判别特征子空间学习方法属于图像分类领域；解决了忽略对隐藏在样本中的低维子空间结构信息的技术问题；包括定义判别特征学习式的目标函数；采用类标签作为一种监督信息，目标函数重新拟定；将目标函数中的特征子空间施加正交约束；将一个图像数据集分成测试集和训练集；通过训练集，求解出目标函数值最小化时各个变量的值；目标函数求解后得到一个特征子空间；通过所述特征子空间投影测试集，得到数据集里所有类别图像的所有特征，最终通过分类器得到所述数据集的识别率；本发明用低秩表示系数作为约束来构造用于特征学习的判别项，其能够将子空间结构相似性约束引入到适用于图像识别和分类任务的判别特征学习模型中，促进模型自适应性和鲁棒性。

技术领域

本发明属于图像分类领域，尤其涉及一种低秩判别特征子空间学习方法。

背景技术

特征子空间学习在模式识别中起着重要作用，并且已经做出许多努力来产生更具判别性的学习模型。近年来，提出了许多基于表示模型的判别特征学习方法，不仅引起了人们的广泛关注，而且在实际工作中也取得了成功的应用。然而，这些方法构建的判别模型仅仅依赖于训练样本的类别标签，忽略了对隐藏在其中的基本子空间结构信息的考虑。

发明内容

本发明克服了上述现有技术的不足，提供一种低秩判别特征子空间学习方法，使用低秩约束来构造用于特征学习的判别性表示项，将非负低秩表示系数作为衡量子空间结构相似性的约束引入到用于分类的学习模型中，促进模型自适应性和鲁棒性；此外，通过将特征子空间学习模型和低秩表示模型放入统一的框架中，可以在迭代期间彼此促进以获得整体最优；还包含基于类别标签信息的线性回归项以增强投影的特征，并且使相同类别的样本靠近同一聚类中心，不同类别的聚类中心相互远离，采用迭代数值方案来解决目标函数并保证收敛。

本发明的技术方案：

一种低秩判别特征子空间学习方法，包括下列步骤：

步骤a、将一个图像数据集分成测试集和训练集；

步骤b、定义判别特征子空间学习模型的目标函数，目标函数中第一项对矩阵进行低秩约束，第二项为判别正则化项，将低秩表示系数作为正则化参数来约束两个样本投影后的距离，矩阵中的元素被视为对两个样本的低维结构相似性的测量，对矩阵中的每个元素引入非负约束；

步骤c、采用类别标签作为一种监督信息，目标函数重新拟定；

步骤d、将目标函数中的特征子空间施加正交约束；

步骤e、通过训练集，求解出目标函数值最小化时各个变量的值；

步骤f、目标函数求解后得到一个特征子空间；

步骤g、通过所述特征子空间投影测试集，得到数据集里所有类别图像的所有特征，最终通过分类器将得到所述数据集的识别率。

进一步地，所述目标函数如下：

s.t.X＝XZ+E,Z_ij≥0

其中，X＝[X₁,X₂,...,X_m]表示训练集，X_i(i＝1,2,...,m)表示X的每一列，m表示训练样本的总数，Z表示矩阵，P表示特征子空间，E表示误差矩阵，λ是平衡三项的一个参数。

进一步地，所述目标函数重新拟定，如下：

s.t.X＝XZ+E,Z_ij≥0