基于两模态距离保持相关特征学习的单视角目标识别方法技术

本发明专利技术公开了一种基于两模态距离保持相关特征学习的单视角目标识别方法，主要是通过最大化模态间相关性的同时对鉴别聚类散布进行约束，从而来构建两模态间的相关特征学习模型，并进一步利用该模型实现单视角目标的识别。其具体实现过程为：(1)对单视角图像进行模态化处理；(2)构建两模态距离保持相关特征学习模型，并对该模型进行优化求解，以获得低维相关特征；(3)利用并行融合策略对低维相关特征进行融合，最后借助最近邻分类器获取单视角目标的识别结果。与现有技术相比，本发明专利技术能够借助两模态特征学习的优势有效地提高单视角目标的识别精度。

【技术实现步骤摘要】
基于两模态距离保持相关特征学习的单视角目标识别方法
本专利技术属于模式识别和信息融合
，具体为一种基于两模态距离保持相关特征学习的单视角目标识别方法。
技术介绍
特征学习是模式识别中的一个热门研究主题。根据同一目标所对应模态数据的数量，特征学习可以分为单模态特征学习和多模态特征学习。主成分分析(PrincipalComponentsAnalysis，PCA)和局部保持投影(LocalityPreservingProjections，LPP)是经典的单模态特征学习方法，并且在很多实际应用中已经表现出良好的性能。与单模态特征学习方法相比，多模态特征学习方法能够借助多模态特征学习的优势，更全面地掌握目标数据间的内在结构，然而如何利用多模态特征学习来有效地实现单视角目标的识别仍是一项具有挑战性的任务。在以往的单视角目标识别方法中，往往难以有效地利用隐藏在原始高维多模态数据中的非线性几何结构。为了解决这个问题，学者们提出了很多解决方法，比如核CCA(KernelCanonicalCorrelationAnalysis，KCCA)。KCCA使用非线性的核函数将原始样本数据集映射到更高维核空间中，然后再在高维核空间中利用典型相关分析(CanonicalCorrelationAnalysis，CCA)进行相关投影方向的学习。但是，这些解决方法往往忽视了隐藏在原始高维数据中的局部结构，因此难以有效地捕获隐藏在高维数据中的几何结构，并且原始的高维数据中包括大量的冗余信息和噪声，这将进一步限制了在实际图像识别中的识别性能。为了解决这一问题，本专利技术提出了一种基于两模态距离保持相关特征学习的单视角目标识别方法，将鉴别距离约束直接嵌入两模态中，进而构建了两模态距离保持相关特征学习模型，并对该模型进行优化求解，最后借助并行融合策略，最终实现了单视角目标的识别。
技术实现思路
传统单视角目标识别方法往往忽视了隐藏在原始样本集中几何结构，这将导致特征学习的鉴别能力低效问题，为了解决该问题，本专利技术提出了一种基于两模态距离保持相关特征学习的单视角目标识别方法。本专利技术的核心在于在不同模态中构建鉴别距离相似权重矩阵，并以此为基础，构造每个模态的鉴别聚类散布，使模态数据获得更好类分离性的同时进一步保留模态数据的内在几何结构。本专利技术的具体实现步骤如下：1.利用图像模态策略对单视角训练图像进行模态化处理，具体处理方式为借助Coiflets和Daubechies正交小波获取单视角图像的两个低频子图像，即单视角图像的两种模态数据。2.模态训练样本集的构建(2a)将单视角图像的模态数据转换为列向量，然后为两个模态构建模态训练样本集X＝[x1,x2,…,xn]∈Rdx×n和Y＝[y1,y2,…,yn]∈Rdy×n，其中dx和dy分别是样本集X和Y的维数，n为样本数量，xi和yi(i＝1,2,3...n)分别表示样本集X和样本集Y中的第i个样本。(2b)计算样本集X＝[x1,x2,…,xn]和样本集Y＝[y1,y2,…,yn]的中心值：利用和对样本集X和样本集Y进行中心化：为了描述的简洁，仍将中心化后的样本集和样本集记为X＝[x1,x2,…,xn]和Y＝[y1,y2,…,yn]。3.构建两模态距离保持相关特征学习模型，具体构建过程如下：(3a)构建两个模态的鉴别距离相似权重矩阵Wxx和Wyy：其中(或)表示鉴别距离相似权重矩阵Wxx(或Wyy)的第(i,j)个元素，(或)表示xi(或yi)的类标签。(3b)构建两个模态的鉴别聚类散布ρ(αTX)和ρ(βTY)：在典型相关分析中Sxx和Syy揭示了同一模态的样本散布信息，在此对其做进一步推导：Syy与Sxx可做相似推导，进而可得：在上述Sxx的等价推导基础上，进一步构建和推导鉴别聚类散布ρ(αTX)：其中α为相关投影矩阵A对应的相关投影方向，Lxx＝Dxx-Wxx是拉普拉斯矩阵，类似于ρ(αTX)，ρ(βTY)能够构建和推导为其中为β为相关投影矩阵B对应的相关投影方向，Lyy拥有和Lxx相同的定义。(3c)在鉴别聚类散布的基础上进一步构建了两模态距离保持相关特征学习模型，该模型为：4.对两模态距离保持相关特征学习模型进行优化求解，具体求解过程如下:构建两模态距离保持相关特征学习模型的拉格朗日乘子函数L(α,β)：其中λ1和λ2表示拉格朗日乘子，将L(α,β)的导数置为0，可以得到：上述两个等式能够转化为下面的广义特征值分解问题：通过求解上述广义特征值分解问题，能够得到前d个最大特征值对应的特征向量进而能够获得训练样本集X和Y分别对应的相关投影矩阵A＝[α1,…,αd]T∈Rdx×d和B＝[β1,…,βd]T∈Rdy×d。5.利用并行融合策略对低维相关特征进行融合：借助步骤4获得的相关投影矩阵A∈Rdx×d和B∈Rdy×d，能够获得训练样本集X和Y对应的低维相关特征ATX∈Rd×n和BTY∈Rd×n。利用并行融合策略，能够将两个模态的低维相关特征进行融合，进而获得低维融合相关特征，比如对应同一目标的低维相关特征ATxi和BTyi(i＝1,2,...,n)，对应的低维融合相关特征zi为：zi＝ATxi+BTyi进而得到低维融合相关特征训练集Z＝[z1,z2,...,zn]∈Rd×n。6.利用最近邻分类器对单视角测试目标进行识别：使用图像模态策略获得测试图像集的两类模态数据，并借助步骤2中的方式构建测试样本集和其中N为测试样本的数量；借助步骤4获得的相关投影矩阵A∈Rdx×d和B∈Rdy×d，能够进一步获取和对应的低维相关特征和然后使用上述的并行融合策略，能够获得低维融合相关特征测试集最后在低维融合相关特征测试集和低维融合相关特征训练集Z上，利用最近邻分类器即可获得最终的识别结果。本专利技术通过将鉴别距离约束直接嵌入每个模态来构造鉴别聚类散布，并利用鉴别聚类散布有效地掌握基于距离的鉴别几何结构。本专利技术在约束鉴别聚类散布的基础上最大化了模态间的相关性，从而使本专利技术获得的相关特征尽量保留着这种鉴别几何结构，这种鉴别几何结构的保留有利于增强低维相关特征的判别力，以获得更好的目标识别性能。附图说明图1是本专利技术的具体实现流程图。图2是COIL-20目标图像数据集中每类目标的代表性图像具体实施方式为了详细说明本专利技术的目的、具体流程以及优点，下面将结合实例和附图对具体实施方式做详细介绍：1.利用图像模态策略对单视角训练图像进行模态化处理，具体处理方式为借助Coiflets和Daubechies正交小波获取单视角图像的两个低频子图像，即单视角图像的两种模态数据。2.模态训练样本集的构建(2a)将单视角图像的模态数据转换为列向量，然本文档来自技高网...

【技术保护点】
1.一种基于两模态距离保持相关特征学习的单视角目标识别方法，包括以下步骤：/n(1)利用图像模态策略对单视角训练图像进行模态化处理，具体处理方式为借助Coiflets和Daubechies正交小波获取单视角图像的两个低频子图像，即单视角图像的两种模态数据；/n(2)模态训练样本集的构建，具体的构建方式为将单视角图像的模态数据转换为列向量，然后为两个模态构建模态训练样本集X＝[x

【技术特征摘要】
1.一种基于两模态距离保持相关特征学习的单视角目标识别方法，包括以下步骤：
(1)利用图像模态策略对单视角训练图像进行模态化处理，具体处理方式为借助Coiflets和Daubechies正交小波获取单视角图像的两个低频子图像，即单视角图像的两种模态数据；
(2)模态训练样本集的构建，具体的构建方式为将单视角图像的模态数据转换为列向量，然后为两个模态构建模态训练样本集X＝[x1,x2,...,xn]∈Rdx×n和Y＝[y1,y2,...,yn]∈Rdy×n，其中dx和dy分别是样本样本集X和Y的维数，n为样本数量，xi和yi(i＝1,2,3...n)分别表示样本集X和样本集Y中的第i个样本，并对样本集进行中心化；
(3)两模态距离保持相关特征学习模型的构建；
(4)两模态距离保持相关特征学习模型的优化求解；
(5)低维相关特征的融合；
(6)单视角测试图像的目标识别。


2.根据权利要求1所述的两模态距离保持相关特征学习的单视角目标识别方法，其特征在于，步骤(3)所述的构建两模态距离保持相关特征学习模型按如下步骤进行：
(2a)构建两个模态的鉴别距离相似权重矩阵Wxx和Wyy：






其中(或)表示鉴别距离相似权重矩阵Wxx(或Wyy)的第(i,j)个元素，(或)表示xi(或yi)的类标签；
(2b)构建两个模态的鉴别聚类散布ρ(αTX)和ρ(βTY)：
在典型相关分析中Sxx和Syy...

【专利技术属性】
技术研发人员：苏树智，朱刚，朱彦敏，邓瀛灏，高鹏连，郜一玮，
申请(专利权)人：安徽理工大学，
类型：发明
国别省市：安徽;34