【技术实现步骤摘要】
基于优化的近邻保持嵌入降维算法在图像检索和人脸识别中的应用
[0001]本专利技术涉及图像识别
,尤其是涉及基于优化的近邻保持嵌入降维算法在图像检索和人脸识别中的应用。
技术介绍
[0002]大数据环境下的高维数据在人脸识别、图像检索等领域有着广泛的应用前景,是数据挖掘和模式识别领域的研究热点。但是高维数据具有冗余度大,空间维数高等特点,难以发现其内在的特征规律。降维是消除高维数据维度上冗余的一种技术手段,目的是克服维数灾难,获取数据本质特征,以实现数据可视化。
[0003]降维分为线性降维和非线性降维。线性降维算法主要有主成分分析(principal component analysis,简称PCA)、多维尺度变换(Multidimensional Scaling,简称MDS)、线性判别分析(Linear Discriminant Analysis,简称LDA)等。这类方法的优势在于处理线性结构的数据集时具有很好的降维效果。但现实生活中大多都是高维非线性数据,例如人脸数据,因此非线性降维方法应运而生。基于特征值的非线性降维方法是其中一个重要研究方向。这类方法是保持高维数据与低维数据的某个“不变特征量”以找到低维特征表示。主要的基于特征值的非线性降维算法有等规度映射(isometric feature mapping,简称ISOMAP)、局部切空间算法(Local tangent space alignment,简称LTSA)、局部线性嵌入(locally linear embedding,简称LLE) ...
【技术保护点】
【技术特征摘要】
1.基于优化的近邻保持嵌入降维算法在图像检索中的应用。2.根据权利要求1所述的基于优化的近邻保持嵌入降维算法在图像检索中的应用,其特征是:所述应用包括以下步骤:S1:采集图片,建立图像数据库;S2:S1中图像数据库的初始数据集为X={x1,x2L x
N
}∈R
D
×
N
,将初始数据集进行中心化处理,使得初始数据集变为X表示高维空间中的图像数据集;x表示高维空间中的每个图像像素值数据;R
D
×
N
表示一共N个x,在高维(即D维)空间中;I是单位矩阵,N是高维空间图像数据集X中x的个数,T是数学中转置的符号;S3:根据类标签信息,计算S2中变化后的初始数据集中每一类图片样本的类间权重矩阵W
t
和类内密度信息S4:根据S3中类间权重矩阵W
t
和类内密度信息计算高维图像数据的最大特征的特征矩阵并将其进行特征分解,得到特征值λ0>λ1>
…
λ
D
及其所对应的特征向量矩阵U=[a0,a1,
…
a
D
];B1表示高维空间图像数据集的类内离散度矩阵,B2表示高维空间图像数据集的类间离散度矩阵;S5:取S4中U的前d个最大特征值所对应的特征向量M=(a0,a1,
…
,a
d
‑1),得到低维空间坐标M表示与目标图像最相似的d个图像的特征矩阵;S6:利用S5中得到的对S1图像数据库中的图像分别进行图像检索,得到基于形状的特征空间,并计算出各个图像的查准率和查全率;S7:通过S6中图像检索的结果,得到与样本图像相关的相关图像Y的排序序号P
i
,计算相关图像的平均排序;S8:根据S7中得到的相关图像的显示排序,越排在前面的图像越与目标图像相似。3.根据权利要求2所述的基于优化的近邻保持嵌入降维算法在图像检索中的应用,其特征是:S3中的类间权重矩阵W
t
的公式包括:其中,和分别是第t类图像的第i个和第j个嵌入向量;n
t
是第t类图像的嵌入向量总数;为和之间的权值;u
t
和u
g
分别是第t类图像和第g类图像的嵌入向量平均值,且
是和之间的权值;Z
tg
是第t类图像和第g类图像之间的权值。4.根据权利要求3所述的基于优化的近邻保持嵌入降维算法在图像检索中的应用,其特征是:S3中的类内密度信息的公式包括:的公式包括:的公式包括:和表示高维图像中第t类图像中的两个图像像素值数据,α
i*
表示利用欧式距离计算两个图像像素值数据之间的最大距离,表...
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。