[发明专利]基于低秩稀疏矩阵分解、局部几何结构保持和类别信息最大统计相关的特征提取方法

说明书

本发明涉及模式识别中特征提取相关问题，提出了一种基于低秩稀疏矩阵分解、局部几何结构保持和类别信息最大统计相关的特征提取方法。为了解决现有许多特征提取方法存在的问题，包括鲁棒性不足、没有利用数据的局部几何结构信息、没有利用数据的类别信息，本发明通过对一个总的目标函数的优化求解，实现对数据样本的特征提取，进而可以更有效率地进行下一步的数据处理。这个目标函数由三部分组成，包括低秩稀疏矩阵分解、流形学习以及有监督学习。本发明兼顾这三部分的特点，使特征提取尽可能地达到全局最优，提取出重要的、有判别力的特征，去除冗余信息。

技术领域

本发明涉及面向模式识别领域的特征提取技术，具体是一种流形学习特征提取方法。

背景技术

模式识别是指对表征事物或现象的各种形式的(数值的、文字的和逻辑关系的)信息进行处理和分析，以对事物或现象进行描述、辨认、分类和解释的过程，是信息科学和人工智能的重要组成部分。在模式识别领域中，特征提取是最简单而有效的方法之一。随着信息技术、人工智能的发展，数据的获取越来越方便，数据量也越来越庞大，这些数据一般是比较高维的，并且具有很多的冗余信息，所以对数据进行特征提取是很有必要而且有效的。

在过去的研究中，多种特征提取的方法被提出，如主成分分析(PCA)(文献1，AbdiH,Williams L J. Principal component analysis[J].Wiley InterdisciplinaryReviews Computational Statistics,2010,2(4):433-459.)、线性判别分析(LDA)(文献2，Belhumeur P N,Hespanha J P,Kriegman D J.Eigenfaces vs.Fisherfaces:recognition using class specific linear projection[J].IEEE Transactions onPattern Analysis&Machine Intelligence,1997,19(7):711-720.)、邻域保持嵌入(NPE)(文献3，He X F,Cai D,Yan S C,Zhang H J. Neighborhood preserving embedding[C].IEEE International Conference on Computer Vision,2005, 2(23):1208–1213.)，局部保持投影(LPP)(文献4，He X,Niyogi P.Locality preserving projections[C].Advances in Neural Information Processing Systems,2003,16(1):186–197.)及其扩展版本等。这些方法可以统一地用通用的图嵌入框架描述。但是，当训练样本大量损坏时，如图片的不合理的表达、拍摄角度、光照等，上述方法可能变得不适用。

为了解决这个问题，许多低秩稀疏矩阵分解方法被提出。这些方法基于假设：原始数据点近似地分布在一个低维子空间上，只是由于噪声扰动、不合理表达等因素，使得样本数据点分布在高维空间里，以矩阵形式则表现为低秩与高秩。例如，为了解决PCA中的误差修正问题，Wright等人提出了鲁棒主成分分析(RPCA)(文献5，Cands E J,Li X,Ma Y,Wright J.Robust principal component analysis[J].Journal of the Acm,2009,58(3):1–37.)，从含噪数据中找出低维子空间。Liu等人提出了低秩表示(LRR)(文献6，Liu G,Lin Z,Yan S,Sun J,Yu Y,Ma Y.Robust recovery of subspace structures by low-rank representation[J].IEEE Transactions on Pattern Analysis&MachineIntelligence,2013,35(1):171–184.)来识别含噪数据的子空间结构，并把含噪数据的恢复范围从单一子空间扩展到多子空间。