结合多源特征学习和组稀疏约束的无监督物体识别方法技术

本发明专利技术公开一种结合多源特征学习和组稀疏约束的无监督物体识别方法，包括如下步骤：步骤1，从包含c个类别的待处理图像集中获取V种视图，并将其组成数据集X＝[x1，x2，…，xn]∈R

Unsupervised object recognition based on multi-source feature learning and group sparse constraints

The invention discloses an unsupervised object recognition method combining multi-source feature learning and group sparse constraints, which comprises the following steps: step 1, obtaining V views from a set of images containing C categories to be processed, and composing data sets X=[x1, x2,... Xn], R

【技术实现步骤摘要】
结合多源特征学习和组稀疏约束的无监督物体识别方法
本专利技术属于机器学习
，特别涉及一种结合多源特征学习和组稀疏约束的无监督物体识别方法。
技术介绍
聚类技术旨在将待处理对象划分为多个相似的簇，进而提取数据的抽象语义，是应用非常广泛的一项技术，在图像物体识别领域中获得了巨大的成功。然而，传统图像物体识别领域中的聚类方法还存在以下缺陷：首先，图像数据一般由高维特征组成，这些高维图像数据中往往包含噪声特征，直接对其操作将严重影响聚类效果；其次，这些高维图像数据一般存在大量冗余特征，处理这类数据需要消耗昂贵的计算资源。在多媒体技术高速发展的今天，高维图像数据呈现爆发式增长，给传统聚类方法带来了巨大挑战。最新研究表明，若能有效选择数据最优特征子集，将能有效提高图像识别的准确率。互联网技术的快速增长，扩大了数据收集来源的多样性，也使得数据特征呈现多源化。不同类型数据特征拥有不同的性质，其在图像识别应用中也发挥着不同的作用。为有效处理这些多源高维数据，现有的方法一般借助子空间学习和多视图学习，以获得高维数据在不同视图上的最优特征子空间。然而，这些方法需要借助降维方法定位特征子空间，其所获取本文档来自技高网...

【技术保护点】
1.一种结合多源特征学习和组稀疏约束的无监督物体识别方法，其特征在于包括如下步骤：步骤1，从包含c个类别的待处理图像集中获取V种视图，并将其组成数据集X＝[x1，x2，…，xn]∈R

【技术特征摘要】
1.一种结合多源特征学习和组稀疏约束的无监督物体识别方法，其特征在于包括如下步骤：步骤1，从包含c个类别的待处理图像集中获取V种视图，并将其组成数据集X＝[x1，x2，…，xn]∈Rd×n，其中d代表数据的特征维度，n代表数据集的样本数；步骤2，提取数据集X的总散度矩阵St；步骤3，在步骤2的基础上构建基于线性判别分析的KM聚类模型；步骤4，在步骤3的基础上构建基于组稀疏约束和特征选择的多源数据联合聚类模型；步骤5，求解步骤4得到的多源数据联合聚类模型的目标函数，并进行优化。2.如权利要求1所述的结合多源特征学习和组稀疏约束的无监督物体识别方法，其特征在于：所述步骤2中，提取数据集的总散度矩阵St的公式是：其中，为数据集样本的总平均值。3.如权利要求1所述的结合多源特征学习和组稀疏约束的无监督物体识别方法，其特征在于：所述步骤3中，KM聚类模型的目标函数如下：其中，W＝[w1，...，wd]T∈Rd×m为特征选择矩阵，m为降维后的特征维度，I为单位矩阵，F＝[f1，f2，…，fn]T∈Rn×c为预测标签矩阵，G＝[g1，g2，…，gc]∈Rm×c为聚类中心矩阵，||·||2，1代表其l2，1范数且对于任意矩阵M∈Rr×p，4.如权利要求1所述的结合多源特征学习和组稀疏约束的无监督物体识别方法，其特征在于：所述步骤4中，多源数据联合聚类模型的目标函数如下：其中，W＝[w1，...，wd]T∈Rd×m为特征选择矩阵，m为降维后的特征维度，I为单位矩阵，F＝[f1，f2，…，fn]T∈Rn×c为预测标签矩阵，G＝[g1，g2，…，gc]∈Rm×c为聚类中心矩阵，||·||2，1代表其l2，1范数且对于任意矩阵M∈Rr×p，||·||G2，1代表G2，1范数，设为第i组视图数据对应的特征选择矩阵，则W表...

【专利技术属性】
技术研发人员：曾志强，王晓栋，严菲，陈玉明，
申请(专利权)人：厦门理工学院，
类型：发明
国别省市：福建,35