一种基于鲁棒子空间表示的局部自适应特征选择方法及装置制造方法及图纸

本发明专利技术的实施方式提供了一种基于鲁棒子空间表示的局部自适应特征选择方法及装置，属于图像分类技术领域，本发明专利技术引入低秩表示来构建一个数据重建模型，以此弥补噪声对数据真实结构的破坏；为了更好的探索数据的结构，采用自适应学习方式，学习到更具判别性的特征投影；将目标函数中的特征投影施加正交约束；将一个图像数据集分成测试集和训练集；通过训练集，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一个特征投影；通过所述特征投影投影测试集，得到数据集里所有类别图像的判别性高的特征，最终通过分类器得到所述数据集的识别率；本发明专利技术用自表示系数作为约束项来构造特征投影的判别项，能够将子空间结构相似性约束引入到适用于图像识别和分类任务的判别特征学习模型中，促进模型自适应性和鲁棒性。性。

【技术实现步骤摘要】
一种基于鲁棒子空间表示的局部自适应特征选择方法及装置


[0001]本专利技术的实施方式涉及图像分类领域，更具体地，本专利技术的实施 方式涉及一种基于鲁棒子空间表示的局部自适应特征选择方法及装 置。

技术介绍

[0002]随着人脸识别与图像分类技术的快速发展，特征选择成为了取得 较好识别与分类结果的关键技术，目前已经广泛的应用到数据挖掘、 计算机视觉及模式识别等领域，并取得了显著的效果。
[0003]近来，基于子空间的特征选择方法由于良好的数据驱动特性收到 了学者的广泛关注，其基本思想是利用训练数据构建学习模型来学习 满足数据分布特性的投影矩阵，可以将原有的高维数据矩阵投影到低 维空间。同时，在投影过程中将数据的判别性信息保留，并期待在投 影空间能够进一步突出数据间的类内相似性和类间差异性。

技术实现思路

[0004]为解决上述问题，本专利技术提供了一种基于鲁棒子空间表示的局部 自适应特征选择方法，所述方法包括步骤：
[0005]将一个图像数据集划分为训练集和测试集；
[0006]定义判别特征选择模型的目标函数；
[0007]引入低秩重构样本的鲁棒性子空间约束项，对所述目标函数重新 拟定，得到第一目标函数；
[0008]引入稀疏正则化约束项，对第一目标函数重新拟定，得到第二目 标函数；
[0009]引入辅助变量，对所述第二目标函数重新拟定，得到第三目标函 数；
[0010]通过所述训练集，求解出当所述第三目标函数数值最小时各个变 量的值；
[0011]将所述第三目标函数求解，得到一个特征投影；
[0012]通过所述特征投影对所述测试集投影，以得到所述数据集里所有 类别图像的判别性较高的特征，并通过分类器得到所述数据集的识别 率。
[0013]优选地，所述判别特征选择模型的目标函数为：
[0014][0015]s.t.W
T
W＝I,Z
ij
≥0
[0016]其中，X＝[X1,X2,...,X
m
]表示训练样本，X
i
(i＝1,2,...,m)表示X的第i列，m表示训练样本的总数，Z表示矩阵，W表示学习得到的特征投 影矩阵，Z表示系数表示矩阵，Z
ij
为矩阵Z中的第i行第j列的值。
[0017]优选地，引入低秩重构样本的鲁棒性子空间约束项的目标函数为：
[0018][0019]s.t.W
T
W＝I,Z
ij
≥0
[0020]其中，||
·
||
F
为张量的Frobinus范数。
[0021]优选地，所述关于局部自适应特征选择模型的目标函数的表达式 为：
[0022][0023]s.t.W
T
W＝I,Z
ij
≥0
[0024]其中，||
·
||
2,1
为l
2,1
范数，λ正则化参数。
[0025]优选地，将目标函数引入一个辅助变量M求解最小化问题，所 述目标函数表示为：
[0026][0027]s.t.W
T
W＝I,M
ij
≥0,Z＝M
[0028]优选地，所述利用数据集求解出目标函数最小值时各个变量的 值的步骤包括：
[0029]通过增广拉格朗日乘子法，确定目标函数问题中的拉格朗日函 数；
[0030]拉格朗日函数进行化简和最小化转换；利用交替方向乘子算 法，在其他变量不变的条件下针对每个变量迭代地求解最小化；
[0031]固定其他变量，删除与Z无关的函数项，得到变量Z的目标函 数式，利用目标函数的导数进行求解；
[0032]固定其他变量，删除与M无关的函数项，得到变量M的目标函 数式，通过加权范数最小化求解；
[0033]固定其他变量，删除与W无关的函数项，得到变量W的目标函 数式，通过西尔维斯方程进行求解；
[0034]逐项更新拉格朗日乘子和参数。
[0035]优选地，所述分类结果包括步骤：
[0036]计算所述数据集分类精确度。
[0037]本专利技术还提供了一种基于鲁棒子空间表示的局部自适应特征选 择装置，所述装置包括：
[0038]存储单元，用于存储图像数据集，数据集中的样本均为无标签 样本；
[0039]数据重建单元，用于对含有噪声的数据进行重建，去除噪声对 数据真实分布结构的影响，获得一个干净的数据副本；
[0040]特征投影单元，将获取的干净的数据副本放入特征投影模型 中，从而获取到类间距离大，类内距离小的特征投影；
[0041]嵌入框架单元，用于将所述数据重建模型和所述特征投影模型 放入统一框架中，获得一种基于鲁棒子空间表示的局部自适应特征 选择方法，二者之间相互促进，互相弥补噪声对数据结构的破坏， 获得一个更鲁棒的特征选择方法；
[0042]定义单元，用于定义关于鲁棒特征子空间学习模型的联合目标 函数，将所述基于数据重建的特征投影模型放入所述的联合目标函 数中，以通过求解所述目标函数后得到一个更鲁棒的特征投影；
[0043]分类单元，用于将所述特征投影对测试集投影，并将测试集的 特征投影送到分类器中，从而得到分类精确度。
[0044]本专利技术提供的一种基于鲁棒子空间表示的局部自适应特征选择 方法及装置，具有以下优势：
[0045](1)本专利技术的实施例通过将数据重构模型嵌入自适应相似性子 空间学习，提出了了一种基于数据重建的特征选择策略，通过同时学 习数据重建和自适应相似矩阵，以获得高质量的更具判别性的特征投 影；
[0046](2)本专利技术的实施例用将低秩表示和特征学习结合到一个统一 的框架中，其中低秩表示系数被用作子空间相似性度量来指导特征学 习；同时引入稀疏正则化约束项，可以使选择的特征更适用于分类任 务；
[0047](3)使系数用作判别正则化的惩罚参数；
[0048](4)利用增广拉格朗日乘数(ALM)方法和乘法器的替代方向法 (ADMM)提供了一种迭代方案，通过该方案有效的解决了目标函数。
[0049]所述装置的定义单元，设计的联合框架可以所述基于数据重建的 特征选择放入所述框架，不同于两步走的方式，通过联合统一的框架， 可以使得模型之间相互促进，互相弥补；通过数据重建获得的去噪数 据副本可用于特征投影的学习，反过来，获得的高质量特征投影可以 向下一个视图数据重建过程传播有效的信息，提高数据重建的质量。
附图说明
[0050]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面 将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而 易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域 普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这 些附图获得其他的附图。
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于鲁棒子空间表示的局部自适应特征选择方法，其特征在于，所述方法包括步骤：将一个图像数据集划分为训练集和测试集；定义判别特征选择模型的目标函数；引入低秩重构样本的鲁棒性子空间约束项，对所述目标函数重新拟定，得到第一目标函数；引入稀疏正则化约束项，对第一目标函数重新拟定，得到第二目标函数；引入辅助变量，对所述第二目标函数重新拟定，得到第三目标函数；通过所述训练集，求解出当所述第三目标函数数值最小时各个变量的值；将所述第三目标函数求解，得到一个特征投影；通过所述特征投影对所述测试集投影，以得到所述数据集里所有类别图像的判别性较高的特征，并通过分类器得到所述数据集的识别率。2.根据权利要求1所述的基于鲁棒子空间表示的局部自适应特征选择方法，其特征在于，所述目标函数表达式为：s.t.W
T
W＝I,Z
ij
≥0其中，X＝[X1,X2,...,X
m
]表示训练样本，X
i
(i＝1,2,...,m)表示X的第i列，m表示训练样本的总数，Z表示矩阵，W表示学习得到的特征投影矩阵，Z表示系数表示矩阵，Z
ij
为矩阵Z中的第i行第j列的值。3.根据权利要求1所述的基于鲁棒子空间表示的局部自适应特征选择方法，其特征在于，所述第一目标函数表达式为：s.t.W
T
W＝I,Z
ij
≥0其中，||
·
||
F
为张量的Frobinus范数。4.根据权利要求1所述的基于鲁棒子空间表示的局部自适应特征选择方法，其特征在于，所述第二目标函数表达式为：s.t.W
T
W＝I,Z
ij
≥0其中，||
·
||
2,1
为l
2,1
范数。5.根据权利要求1所述的基于鲁棒子空间...

【专利技术属性】
技术研发人员：李骜，王颖，牛宇童，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：