【技术实现步骤摘要】
一种基于图嵌入典型相关分析的特征层融合方法及其装置
本专利技术涉及数据特征融合
的一种特征层融合方法，尤其涉及一种基于图嵌入典型相关分析的特征层融合方法，还涉及应用该方法的基于图嵌入典型相关分析的特征层融合装置。
技术介绍
生物特征识别技术具有唯一性、稳定性等特点，已经被应用于多种身份验证场景，如指静脉识别、虹膜识别、手势识别、人脸识别等。这些识别方法虽然取得了较好的效果，但是由于仅利用单一的生物特征，难以满足高安全领域的应用要求，融合并分析多个模态数据显得至关重要。多模态融合已经在多个领域得到很好的应用，包括视听语音识别，情感识别，医学图像分析，多媒体事件检测等。多模态融合一般可分为四类：传感器层融合、分数层融合、决策层融合和特征层融合。其中，传感器层融合旨在对未处理的原始数据进行分析和融合处理，此类融合方案在医学图像融合研究相对较多。分数层融合中，将多个生物特征匹配器输出的匹配分数合并在一起，将融合后分数作为新特征输入到分类算法中。决策层融合中，使用基于规则方法融合不同模态的分类器的输出来得到最终结果。特征...
【技术保护点】
1.一种基于图嵌入典型相关分析的特征层融合方法，其特征在于，其包括以下步骤：/n(1)将所有模态中样本映射到同一分类结果的空间的投影矩阵，并对所述投影矩阵施加L21范数正则化，以实现同时在多个单模态特征空间中选择出独立互补特征；其中，所述独立互补特征的选择方法包括以下步骤：/n(1.1)建立初始目标函数；所述初始目标函数用于学习各种模态的投影矩阵，且包括第一项和第二项；所述第一项用于学习不同模态数据投影到公共空间的投影矩阵，所述第二项用于对投影矩阵进行约束，并在不同的单模态特征空间中实现特征选择；/n(1.2)对所述初始目标函数进行半二次最小化优化，获得优化目标函数；以及/...
【技术特征摘要】
1.一种基于图嵌入典型相关分析的特征层融合方法，其特征在于，其包括以下步骤：
(1)将所有模态中样本映射到同一分类结果的空间的投影矩阵，并对所述投影矩阵施加L21范数正则化，以实现同时在多个单模态特征空间中选择出独立互补特征；其中，所述独立互补特征的选择方法包括以下步骤：
(1.1)建立初始目标函数；所述初始目标函数用于学习各种模态的投影矩阵，且包括第一项和第二项；所述第一项用于学习不同模态数据投影到公共空间的投影矩阵，所述第二项用于对投影矩阵进行约束，并在不同的单模态特征空间中实现特征选择；
(1.2)对所述初始目标函数进行半二次最小化优化，获得优化目标函数；以及
(1.3)通过元素正则化对所述优化目标函数进行更新，获得正则化目标函数；
(2)构造数据相似图矩阵，以表示所述单模态特征空间中样本点的相近关系；以及
(3)通过所述正则化目标函数为每个模态学习相应的投影矩阵，将多个模态数据投影到具备最大辨别力、最大相关性及最小冗余性的投影子空间中，实现多模态数据融合；其中，多模态数据融合方法包括以下步骤：
(3.1)确定多模态类内样本之间的相关性约束；
(3.2)根据所述相关性约束，建立准则函数以保持典型变量的唯一性；
(3.3)先将(1)获得的投影矩阵与(2)获得的投影矩阵进行并集，再将并集获得的投影矩阵与原样本集融合获得投影后的特征集。
2.如权利要求1所述的基于图嵌入典型相关分析的特征层融合方法，其特征在于，所述初始目标函数为：
式中，Ui∈Rdi×c为对应的第i个模态的投影矩阵，Xi∈Rdi×n为第i个模态的样本集；Y∈Rn×c为类标签矩阵，P为需要特征选择的模态数。
3.如权利要求2所述的基于图嵌入典型相关分析的特征层融合方法，其特征在于，在步骤(1.2)中，通过在一个共轭函数对所述初始目标函数优化进行优化，且所述共轭函数为：
式中，φ(.)表示最小化函数，a由所述最小化函数相对所述共轭函数确定。
4.如权利要求3所述的基于图嵌入典型相关分析的特征层融合方法，其特征在于，所述正则化目标函数为：
式中，Tr(.)为矩阵跟踪算子；Si＝diag(si)，si∈Rdi为一个辅助函数，且si中第j元素满足元素正则化公式为：
式中，ε为平滑项。
5.如权利要求4所述的基于图嵌入典型相关分析的特征层融合方法，其特征在于，对所述优化目标函数的更新方法包括以下步骤：
(1.3.1)根据所述元素正则化公式计算
(1.3.2)根据以下公式更新
(1.3.3)增大t并返回至步骤(1.3.1)直至收敛。
6.如权利要求1所述的基于图嵌入典型相关分析的特征层融合方法，其特...
【专利技术属性】
技术研发人员：余程年，王华彬，申燕，兰江浩，李鑫，王雨情，施余峰，陶亮，
申请(专利权)人：安徽大学，
类型：发明
国别省市：安徽;34
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。