【技术实现步骤摘要】
融合协同表达最近邻距离与黎曼流形的图像集识别方法
[0001]本专利技术属于图像识别领域，特别涉及一种融合协同表达最近邻距离与黎曼流形的图像集识别方法。
技术介绍
[0002]图像识别是目前人工智能研究的一个重要应用方向，而图像集识别是图像识别的扩展。图像集的识别是指在训练过程和识别过程中一般都以图像集合为单位进行匹配的识别模型。而传统单幅图像识别方法，其显著特点在于识别阶段一般只有一张图像的特征信息进行图像匹配。图像集识别方法一般对属于同一类别的图像组成的图像集进行建模，利用图像集作为整体进行图像识别能够有效获得更多的可判别信息；并且对大量相同标签的图像进行建模，然后进行模型的匹配，无需单独处理单张图片的训练和匹配，将极大提高图像识别效率。图像集识别相较于传统单幅图像识别方法，在具有大量相同标签的数据规模下有较大的优势，特别在图像质量较差，角度较多等复杂情况下。随着目前移动通信、社交网络、视频网站、视频监控等的快速发展，获得图像信息的途径越来越多，数据量呈指数级增长，图像集识别将能发挥其优势。
[0003]在研究图...
【技术保护点】
【技术特征摘要】
1.一种融合协同表达最近邻距离与黎曼流形的图像集识别方法，其特征在于，包括以下步骤：S1：获得训练图像集S2：对训练图像集利用最近邻距离进行欧式空间尺度建模；S3：对训练图像集进行Grassman流形尺度建模；S4：对训练图像集进行SPD流形尺度建模；S5：将不同空间上的尺度映射到统一的希尔伯特空间，再通过学习马氏距离矩阵获得融合后的距离度量公式；S6：通过核方法学习能够最大化类间散度和最小化类内散度的马氏距离矩阵，得到图像集之间的最优相似度度量。2.根据权利要求1所述的融合协同表达最近邻距离与黎曼流形的图像集识别方法，其特征在于，所述步骤S2使用正则化仿射包协同表达法和核的正则化仿射包协同表达法对所述训练图像集之间的最近邻欧氏距离进行建模。3.根据权利要求2所述的融合协同表达最近邻距离与黎曼流形的图像集识别方法，其特征在于，所述正则化仿射包协同表达法具体包括以下内容：使用字典学习对所述训练图像集进行稀疏表达，得到一个由少数图像组成的图像集合D
i
，所有经过压缩的图像集为：其中N是所述训练图像集的个数，记测试图像集为X
te
，建立最优函数：函数：函数：其中α和β是两个待优化参数向量.ρ1和ρ2是约束参数,τ为决定该模型凸包形式的参数,τ≤1,n
q
和n
D
分别是测试图像集X
te
与所有训练图像集的稀疏表达集合D中的图像数目，l
p
是范数数，使用RH
‑
ISCRC方法中的l1范数进行正则化；使和以避免α＝0和β＝0的极端情况；使用拉格朗日乘子法，得到所述最优函数的对偶形式：其中λ1和λ2是两个拉格郎日乘子；使用交替法实现参数优化：首先固定参数α,更新β的最优值,然后固定β,更新α的最优值；其中最优值通过l1‑
minimization正则化的LARS算法进行优化，β＝[β1,
…
,β
N
]
T
中每个子向量β
i
对应系数集合D
i
，记最优值为和通过公式：
求得测试图像集X
te
到第i个训练图像集之间的最近邻距离；用线性核得到映射效果：其中k
l
(
·
)是线性核函数。4.根据权利要求2所述的融合协同表达最近邻距离与黎曼流形的图像集识别方法，其特征在于，所述核的正则化仿射包协同表达法具体包括以下内容：由Gaussian映射函数得到该模型目标函数的对偶形式，并采用l2范数正则化项：范数正则化项：优化过程使用交替法，求解上述目标函数得到最优参数和其中β＝[β1,
…
,β
N
]
T
对应训练集中的每个图像集的最优参数；使用高斯核函数计算得到测试图像集X
te
与第i个训练图像集在高维空间中的最近邻距离5.根据权利要求4所述的融合协同表达最近邻距离与黎曼流形的图像集识别方法，其特征在于，所述最近邻距离在映射后的高维希尔伯特空间中的内积表达式为：6.根据权利要求1所述的融合协同表达最近邻距离与黎曼流形的图像集识别方法，其特征在于，所述步骤S3具体包括以下内容：通过主元分析获得每个训练图像集X
i
的线性子空间，从而组成Grassmann流形；训练图像集X
i
的...
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。