[发明专利]联合低秩约束跨视角判别子空间学习方法及装置

权利要求书

1.联合低秩约束跨视角判别子空间学习方法，其特征在于，包括：

将含有多视角的图像数据集分成测试集和训练集，其中，测试集和训练集分别含有两个不同视角的数据集；

定义双低秩判别子空间学习模型的目标函数，目标函数中第一项对类结构进行低秩约束，矩阵中的元素为对两个不同类别的样本的低维结构相似性的测量，第二项对视图方差进行低秩约束，矩阵中的元素为对两个不同视角的样本的低维结构相似性的测量；具体的实现方法是：

s.t.X＝X(Z_c+Z_v)+E

其中，rank()表示矩阵的秩，X＝[X₁,X₂,...,X_k]表示含有k个视角的训练集，d表示每一个样本原始特征的维度，m_i表示第i个视角训练样本的数量(m＝∑_im_i)，Z_c表示类结构的鲁棒表示矩阵，Z_v表示视图方差结构的鲁棒表示矩阵，E表示误差矩阵，λ是误差矩阵E的平衡参数；

增加有监督的图像正则化项和用来学习的子空间，并将特征子空间施加正交约束来消除平凡解，以重新拟定目标函数；

增加联合异构正则化项，以重新拟定目标函数；

利用训练集，求解出目标函数值最小化时各个变量的值；

通过目标函数求解后，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，最终通过分类器将得到所述数据集的识别率。

2.根据权利要求1所述的联合低秩约束跨视角判别子空间学习方法，其特征在于，在所述增加有监督的图像正则化项和用来学习的子空间，并将特征子空间施加正交约束来消除平凡解，以重新拟定目标函数的步骤中，重新拟定的目标函数如下：

s.t.P^TX＝P^TX(Z_c+Z_v)+E,P^TP＝I

其中，||·||_*是rank()的替代方法，P∈R^d×p是投影子空间，α是有监督的图像正则化项的平衡参数，其

L_c和L_v是图拉普拉斯算子。

3.根据权利要求2所述的联合低秩约束跨视角判别子空间学习方法，其特征在于，在所述增加联合异构正则化项，以重新拟定目标函数的步骤中，重新拟定的目标函数如下：

s.t.P^TX＝P^TX(Z_c+Z_v)+E,P^TP＝I

其中，W₀、W₁和W₂是权重矩阵，γ、ε是权重矩阵的平衡参数,是由类别标签决定的矩阵,Y_j＝[-1,-1,...,L-1,...,-1]^T∈R^L表示Y的第j列，如果第j个样本属于第L类，则第L个元素为L-1，其余元素为-1。

4.根据权利要求3所述的联合低秩约束跨视角判别子空间学习方法，其特征在于，根据下式将目标函数引入辅助M求解最小化问题：

s.t.P^TX＝P^TX(Z_c+Z_v)+E,P＝M,P^TP＝I。