[发明专利]基于低秩图学习的半监督特征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基于低秩图学习的半监督特征子空间学习方法及装置。该方法包括：将图像数据集分成测试集和训练集，训练集中包括有标签及无标签的样本；定义关于特征子空间学习模型的目标函数；用标签传播的方式，构建有关标签的不同约束项，进而预测出无标签样本的标签信息，重新拟定目标函数；将重新拟定的目标函数中的特征子空间施加正交约束；利用训练集，求解出目标函数值最小化时各个变量的值，以通过目标函数求解后得到一个特征子空间；以及通过所述特征子空间投影测试集，得到所述数据集里所有类别图像的所有特征，通过预定分类器获得所述数据集的识别率。本发明的上述技术克服了现有技术的不足。

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基于低秩图学习的半监督特征子空间学习方法及装置。

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，这些方法大多数是在有监督条件下完成，忽略了现实生活中包含大量无标签样本的情况。

发明内容

在本上下文中，本发明的实施方式期望提供一种基于低秩图学习的半监督特征子空间学习方法及装置，以使用低秩约束来构造用于特征学习和标签预测的约束项，将非负低秩表示系数作为衡量子空间结构相似性和样本标签相似性的约束引入到用于分类的学习模型中，用于学习预测训练样本完整的标签信息和特征投影空间，促进模型自适应性和鲁棒性；此外，通过将特征子空间学习、低秩表示和标签传播学习放入统一的框架中，可以在迭代期间彼此促进以获得整体最优；还包含基于学习到的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。

在本发明实施方式的第一方面中，提供了一种基于低秩图学习的半监督特征子空间学习方法，包括：将图像数据集分成测试集和训练集，训练集中的样本包括有标签的样本以及无标签的样本；定义关于特征子空间学习模型的目标函数，其中，目标函数中的第一项为矩阵的低秩约束，第二项为正则化约束项，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；用标签传播的方式，构建有关标签的不同约束项，进而预测出无标签样本的的标签信息，重新拟定目标函数；将重新拟定的目标函数中的特征子空间施加正交约束；利用训练集，求解出目标函数值最小化时各个变量的值，以通过目标函数求解后得到一个特征子空间；以及通过所述特征子空间投影测试集，得到所述数据集里所有类别图像的所有特征，通过预定分类器获得所述数据集的识别率。

进一步地，在所述定义关于特征子空间学习模型的目标函数的步骤中所定义的目标函数如下：

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表示系数矩阵，P表示特征子空间，E表示误差矩阵，λ和η是平衡三项的参数。

进一步地，重新拟定的目标函数如下：

s.t.X＝XZ+E,Z_ij≥0

其中，U＝[U₁,U₂,...,U_m]是由类别标签决定的矩阵，U_i＝[-1,...,-1,1,-1,...,-1,0,...,0]^T∈R^C表示U的第i列。

进一步地，根据下式将目标函数中的特征子空间施加正交约束：