[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

说明书

本发明的实施方式提供了一种联合低秩约束跨视角判别子空间学习方法及装置。上述方法包括：定义双低秩判别子空间学习式的目标函数；采用有监督的正则化项作为强约束条件，目标函数重新拟定；增加联合异构正则化项将目标函数重新拟定；将图像数据集分成测试集和训练集；利用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。本发明联合异构正则化项作为约束来构造用于特征学习的判别项，其能够将样本的同构和异构信息投影到子空间来用于图像识别和分类任务的判别学习模型中，促进模型自适应性和鲁棒性。

技术领域

本发明的实施方式涉及图像分类领域，更具体地，本发明的实施方式涉及一种联合低秩约束跨视角判别子空间学习方法及装置。

背景技术

近年来，跨视角学习引起了人们的广泛关注，因为我们的图像往往是从各个角度或者从不同的传感器设备上来获取的。近年来，提出了许多跨视角的判别子空间学习方法，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将相同视角不同类别的样本远离，同一类别的不同视角样本相互接近，忽略了对隐藏在不同视角中的同构和异构信息。

发明内容

在本上下文中，本发明的实施方式期望提供一种联合低秩约束跨视角判别子空间学习方法及装置，以使用双低秩约束来构造用于特征学习的鲁棒表示矩阵，并且使相同类别的不同视角样本靠近同一聚类中心，不同类别的相同视角样本的聚类中心相互远离；此外，通过联合约束将不同视角特征整合到统一的投影子空间中，促进模型自适应性和鲁棒性。

在本发明实施方式的一个方面中，提供了一种联合低秩约束跨视角判别子空间学习方法，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；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。

进一步地，在所述定义双低秩判别子空间学习模型的目标函数的步骤中的目标函数如下：

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。

进一步地，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