[0124] 此處需說明一下，相對(duì)于本發(fā)明方法， 有同時(shí)考慮分類問題，因此當(dāng)每個(gè)方法獲得各自的線性投影矩陣或?qū)?yīng)特征之后，再利用 一個(gè)額外的多元嶺回歸模型來學(xué)習(xí)得到一個(gè)分類器具體公式如下：
[012引 Miti 丹-WTpX : + W I，W* =(PXX叩王 +.0-、PMf
[0126] 進(jìn)而利用學(xué)習(xí)得到的分類器完成測(cè)試樣本類別的鑒定過程，實(shí)現(xiàn)分類。
[0127] 通過實(shí)驗(yàn)結(jié)果可W看出本發(fā)明提供的本發(fā)明實(shí)施例提供的一種聯(lián)合魯棒主成分 特征學(xué)習(xí)與視覺分類方法及系統(tǒng)的分類效果明顯優(yōu)于相關(guān)的PCA、IRPCA、PCA-Ll、LatLRRW 及rLRR方法，且表現(xiàn)出了較強(qiáng)的魯棒性，具有一定的優(yōu)勢(shì)。
[0128] 表1.在混合PIE-UMIST人臉庫(kù)上的算法結(jié)果對(duì)比
[0130] 另外，請(qǐng)參閱附圖3,為本發(fā)明實(shí)施例在進(jìn)行試驗(yàn)時(shí)得到的一種人臉識(shí)別預(yù)測(cè)示意 圖。
[0131] 上述試驗(yàn)的具體過程為，用訓(xùn)練樣本圖像得到特征投影矩陣P與投影分類器W，然 后將訓(xùn)練樣本圖像嵌入到線性投影矩陣中來獲得其聯(lián)合的低秩稀疏主成分特征，接著將上 述得到的特征映射到線性分類器中得到測(cè)試樣本圖像的軟類別標(biāo)簽，通過軟類別標(biāo)簽中的 最大值對(duì)應(yīng)的位置，確定該測(cè)試樣本圖像的類別標(biāo)簽，得到最準(zhǔn)確的分類結(jié)果。
[0132] 綜上:本發(fā)明公開了本發(fā)明實(shí)施例提供的一種聯(lián)合魯棒主成分特征學(xué)習(xí)與視覺分 類方法及系統(tǒng)，通過引入低秩矩陣恢復(fù)和稀疏投影的思想，明確將樣本分解為低秩主成分 特征、稀疏錯(cuò)誤（或噪音），通過凸優(yōu)化技術(shù)，實(shí)現(xiàn)主成分特征編碼。進(jìn)而利用凸優(yōu)化得到的 稀疏投影矩陣將測(cè)試樣本嵌入到稀疏編碼空間，完成特征提取過程，生成包含聯(lián)合低秩和 稀疏主成分特征的測(cè)試集，再將得到的測(cè)試集向線性分類器進(jìn)行映射，根據(jù)訓(xùn)練樣本的類 別標(biāo)簽，獲得測(cè)試樣本的類別信息，得到最準(zhǔn)確的視覺分類結(jié)果。為了得到描述性更強(qiáng)的魯 棒特征，同時(shí)考慮了數(shù)據(jù)的低秩與稀疏特性，同時(shí)經(jīng)過將一個(gè)投影嵌入的特征進(jìn)行低秩和 Ll-范數(shù)最小化，確保提取的特征滿足低秩與稀疏特性。本發(fā)明方案可被直接的用于誘導(dǎo)式 的表示和分類，并且在測(cè)試階段更加節(jié)省時(shí)間。
[0133] 對(duì)所公開的實(shí)施例的上述說明，使本領(lǐng)域技術(shù)人員能夠?qū)崿F(xiàn)或使用本發(fā)明。對(duì)運(yùn) 些實(shí)施例的多種修改對(duì)本領(lǐng)域技術(shù)人員來說將是顯而易見的，本文中所定義的一般原理可 W在不脫離本發(fā)明的精神或范圍的情況下，在其它實(shí)施例中實(shí)現(xiàn)。因此，本發(fā)明將不會(huì)被限 制于本文所示的運(yùn)些實(shí)施例，而是要符合與本文所公開的原理和新穎特點(diǎn)相一致的最寬的 范圍。
【主權(quán)項(xiàng)】
1. 一種聯(lián)合魯棒主成分特征學(xué)習(xí)與視覺分類方法，其特征在于，包括： 基于訓(xùn)練樣本集，通過將魯棒主成分特征學(xué)習(xí)、編碼錯(cuò)誤和基于主成分特征的分類錯(cuò) 誤集成到一個(gè)統(tǒng)一的最小化框架，可同時(shí)進(jìn)行聯(lián)合低秩與稀疏主成分特征提取和數(shù)據(jù)糾 錯(cuò)，且可確保得到的聯(lián)合主成分特征對(duì)于分類是最優(yōu)的;為了得到描述性更強(qiáng)的魯棒特征， 同時(shí)考慮了數(shù)據(jù)的魯棒與稀疏特性，同時(shí)將經(jīng)過一個(gè)投影嵌入的特征進(jìn)行低秩和Ll-范數(shù) 最小化，確保提取的特征滿足低秩與稀疏特性;最終得到一個(gè)線性投影矩陣和一個(gè)線性分 類器;其中，所述訓(xùn)練樣本集中包含的訓(xùn)練樣本為已知其類別的樣本； 利用所述線性投影矩陣通過嵌入方式提取待測(cè)樣本的聯(lián)合低秩與稀疏主成分特征;其 中，所述待測(cè)樣本為未知其類別的樣本； 將提取到的所述待測(cè)樣本對(duì)應(yīng)的聯(lián)合低秩與稀疏主成分特征向所述線性分類器進(jìn)行 映射，得到所述待測(cè)樣本的軟類別標(biāo)簽，其中包括測(cè)試樣本歸屬各個(gè)類別的概率，根據(jù)所述 概率中最大值對(duì)應(yīng)的位置，確定為所述待測(cè)樣本的類別，完成分類過程。2. 根據(jù)權(quán)利要求1所述的方法，其特征在于，在基于所述待測(cè)樣本集得到所述線性投影 矩陣及所述線性分類器之前，還包括： 對(duì)所述訓(xùn)練樣本集中的訓(xùn)練樣本進(jìn)行預(yù)處理。3. 根據(jù)權(quán)利要求1所述的方法，其特征在于，基于所述待測(cè)樣本集得到所述線性投影矩 陣及所述線性分類器，包括： 按照下列公式將所述訓(xùn)練樣本集分解為一個(gè)聯(lián)合特征矩陣PX和一個(gè)稀疏錯(cuò)誤矩陣E， 并得到所述線性投影矩陣P及所述線性分類器W:s.t.X = PX+E 其中，X表示所述訓(xùn)練樣本集，JT= ，n表示每個(gè)所述訓(xùn)練樣本的維 度，N表示所述訓(xùn)練樣本的數(shù)量，r#表示nXN的矩陣空間，I |HT-XTPTW| |2>1表示基于魯棒 I2，1范數(shù)度量的分類錯(cuò)誤;ae [〇，1]表示用于權(quán)衡低秩主成分特征編碼和稀疏主成分特征 編碼的最小化項(xiàng)；γ表示正的權(quán)衡參數(shù)，為了衡量分類錯(cuò)誤項(xiàng)I Iht-XtPtWI |2>1的貢獻(xiàn)程度;λ >0表示依賴于錯(cuò)誤或噪音級(jí)別的權(quán)衡參數(shù)；Av...JrJemxiv，表示與所述訓(xùn)練樣本 的類別對(duì)應(yīng)的初始標(biāo)簽，C表示所述訓(xùn)練樣本中包含的類別的個(gè)數(shù)，IT#表示C XN的矩陣空 間；I |ε| |ι表示稀疏錯(cuò)誤項(xiàng)，I I · I I*表示核范數(shù)，I I · I |ι表示I1范數(shù)，I I · I |2,ι表示I2，1范 數(shù)。4. 根據(jù)權(quán)利要求1所述的方法，其特征在于，利用所述線性投影矩陣通過嵌入方式提取 待測(cè)樣本的聯(lián)合低秩與稀疏主成分特征，包括： 將所述待測(cè)樣本向所述線性投影矩陣進(jìn)行嵌入，得到對(duì)應(yīng)的嵌入結(jié)果即為所述待測(cè)樣 本的聯(lián)合低秩與稀疏主成分特征。5. -種聯(lián)合魯棒主成分特征學(xué)習(xí)與視覺分類系統(tǒng)，其特征在于，包括： 訓(xùn)練模塊，用于：基于訓(xùn)練樣本集，通過將魯棒主成分特征學(xué)習(xí)、編碼錯(cuò)誤和基于主成 分特征的分類錯(cuò)誤集成到一個(gè)統(tǒng)一的最小化框架，可同時(shí)進(jìn)行聯(lián)合低秩與稀疏主成分特征 提取和數(shù)據(jù)糾錯(cuò)，且可確保得到的聯(lián)合主成分特征對(duì)于分類是最優(yōu)的；為了得到描述性更 強(qiáng)的魯棒特征，同時(shí)考慮了數(shù)據(jù)的魯棒與稀疏特性，同時(shí)將經(jīng)過一個(gè)投影嵌入的特征進(jìn)行 低秩和Ll-范數(shù)最小化，確保提取的特征滿足低秩與稀疏特性;最終得到一個(gè)線性投影矩陣 和一個(gè)線性分類器;其中，所述訓(xùn)練樣本集中包含的訓(xùn)練樣本為已知其類別的樣本； 投影模塊，用于利用所述線性投影矩陣通過嵌入方式提取待測(cè)樣本的聯(lián)合低秩與稀疏 主成分特征;其中，所述待測(cè)樣本為未知其類別的樣本； 分類模塊，用于將提取到的所述待測(cè)樣本對(duì)應(yīng)的聯(lián)合低秩與稀疏主成分特征向所述線 性分類器進(jìn)行映射，得到所述待測(cè)樣本的軟類別標(biāo)簽，其中包括測(cè)試樣本歸屬各個(gè)類別的 概率，根據(jù)所述概率中最大值對(duì)應(yīng)的位置，確定為所述待測(cè)樣本的類別，完成分類過程。6. 根據(jù)權(quán)利要求5所述的系統(tǒng)，其特征在于，還包括： 訓(xùn)練預(yù)處理模塊，用于對(duì)所述訓(xùn)練樣本集中的訓(xùn)練樣本進(jìn)行預(yù)處理。7. 根據(jù)權(quán)利要求5所述的系統(tǒng)，其特征在于，訓(xùn)練模塊包括： 訓(xùn)練單元，用于按照下列公式將所述訓(xùn)練樣本集分解為一個(gè)聯(lián)合特征矩陣PX和一個(gè)稀 疏錯(cuò)誤矩陣E:s.t.X = PX+E 其中，X表示所述訓(xùn)練樣本集，尤二匕士^以^:^叱^^表示每個(gè)所述訓(xùn)練樣本的維 度，N表示所述訓(xùn)練樣本的數(shù)量，IT#表示nXN的矩陣空間，I |HT-XTPTW| |2>1表示基于魯棒 I2，1范數(shù)度量的分類錯(cuò)誤;ae [〇，1]表示用于權(quán)衡低秩主成分特征編碼和稀疏主成分特征 編碼的最小化項(xiàng)；γ表示正的權(quán)衡參數(shù)，為了衡量分類錯(cuò)誤項(xiàng)I Iht-XtPtWI |2>1的貢獻(xiàn)程度;λ >0表示依賴于錯(cuò)誤或噪音級(jí)別的權(quán)衡參數(shù)；H = H,..,/yeirx%表示與所述訓(xùn)練樣本 的類別對(duì)應(yīng)的初始標(biāo)簽，C表示所述訓(xùn)練樣本中包含的類別的個(gè)數(shù)，IT xiv表示C XN的矩陣空 間；I |ε| |ι表示稀疏錯(cuò)誤項(xiàng)，I I · I I*表示核范數(shù)，I I · I |ι表示I1范數(shù)，I I · I |2,ι表示I2，1范 數(shù)。8. 根據(jù)權(quán)利要求5所述的系統(tǒng)，其特征在于，投影模塊包括： 投影單元，用于將所述待測(cè)樣本向所述線性投影矩陣進(jìn)行嵌入，得到對(duì)應(yīng)的嵌入結(jié)果 即為所述待測(cè)樣本的聯(lián)合低秩與稀疏主成分特征。
【專利摘要】本發(fā)明公開了一種聯(lián)合魯棒主成分特征學(xué)習(xí)與視覺分類方法及系統(tǒng)，通過將魯棒主成分特征學(xué)習(xí)、編碼錯(cuò)誤和基于主成分特征的分類錯(cuò)誤集成到一個(gè)統(tǒng)一的最小化框架，可同時(shí)進(jìn)行聯(lián)合低秩與稀疏特征提取和數(shù)據(jù)糾錯(cuò)，且可確保得到的特征對(duì)于分類是最優(yōu)的。為了得到描述性更強(qiáng)的魯棒特征，同時(shí)考慮數(shù)據(jù)的低秩與稀疏特性，同時(shí)通過將一個(gè)投影嵌入的特征進(jìn)行低秩和L1-范數(shù)最小化，確保提取的特征滿足低秩與稀疏特性。最終得到一個(gè)線性投影矩陣P和一個(gè)線性分類器W。P可直接提取待測(cè)樣本的聯(lián)合特征，進(jìn)而將特征向W進(jìn)行映射，可得到其軟類別標(biāo)簽，通過軟類別標(biāo)簽中最大值對(duì)應(yīng)的位置，得到最準(zhǔn)確的視覺分類結(jié)果。此外，通過得到P和W，有效提升了測(cè)試過程的可拓展性。
【IPC分類】G06K9/62
【公開號(hào)】CN105528620
【申請(qǐng)?zhí)枴緾N201510918300
【發(fā)明人】張召, 賈磊, 李凡長(zhǎng), 張莉, 王邦軍
【申請(qǐng)人】蘇州大學(xué)
【公開日】2016年4月27日
【申請(qǐng)日】2015年12月11日