[发明专利]一种用于数据聚类的相似性网络融合快速方法

说明书

技术领域

本发明涉及的是一种数据融合方法，具体地说，涉及的是一种用于数据聚类的相似性网络融合快速方法。

背景技术

目前，智能监控视频由于其广阔的应用范围吸引了大量的关注。在智能视频技术中，自动目标检测与分类已经成为智能监控系统的一项主要任务。由于运动的复杂性，交错的背景，物体位置与视角的变化等原因，监控视频目标分类成为一个具有挑战性的任务。同时，实际监控系统常常需要进行实时在线目标分类。

现有的目标分类方法之中，一些方法使用形状与运动信息进行分类，这类方法的速度相对较快，但是，其鲁棒性也受到限制，因为目标在视频中的形状会随着视角而发生变化。另一类方法考虑得标定的数据与大量未标定的数据，半监督学习法在目标分类领域有着更大广泛的使用。

现有研究中，王波博士等在论文《Similarity network fusion for aggregating data types on a genomic scale》提出一种新的基于图的数据融合方法，相似性网络融合。相似性网络融合方法计算并融合从不同特征数据中获得到相似性网络，充分发挥不同特征之间的互补性，用于半监督学习。该相似性网络融合方法具有以下优点：1.基于较少量的标定样本；2.在不同尺度、噪声的情况下都有良好的表现；3.可充分发挥不同类型特征数据之间的互补性。

尽管相似性网络融合方法有诸多优点，但由于其对于单一新样本的分类速度相当缓慢，因而不适用于目标在线分类。考虑到相似性融合方法的这些限制，本发明提出一种基于相似性网络融合的快速方法。

发明内容

本发明针对现有技术中存在的上述技术问题，提供一种用于数据聚类的相似性网络融合快速方法，在上述王波博士提出的方法上做了改进，大大提升了原方法对单一新样本的相似性网络融合速度，能够适用于实时在线目标检测。

本发明提供一种用于数据聚类的相似性网络融合快速方法，用于视频中目标的在线分类。通过构建相似性网络，为不同类型数据基于相似性进行聚类，有效地将这些网络进行融合。根据融合后的网络和部分标定的样本，可以有效地快速地预测新目标的类别。该方法是一种相似性网络融合快速方法，通过矩阵划分与预处理，有效地减少了在线预测中的时间复杂度，同时精确率只受到少量的损失。

为实现上述目的，本发明所述的用于数据聚类的相似性网络融合快速方法包括两个部分：相似性网络提前训练存储，相似性网络的快速融合。其中：

所述相似性网络提前训练存储是指：利用样本间的距离计算样本的不同特征的相似性网络，对于这一过程中得到的网络进行存储，用来之后对新样本所进行的相似性网络的快速融合。

所述相似性网络的快速融合是指：对于特征网络进行有效的划分存储，在分类时进行快速分类。

以下对两个部分进行详细说明：

1、相似性网络提前训练存储

本发明中，所述相似性网络提前训练存储，使用相似性网络融合方法中的训练算法，对于训练样本集进行训练，并对于训练中间计算得到的矩阵进行存储。上述王波博士提出的方法提到：相似性网络被表示成为一张图G＝(V,E)，其中节点V表示样本，边E的权重则是两个样本的相似程度。因而边的权重被表示成为一个n×n的矩阵。其中的W(i,j)表示两个样本x_i与x_j之间的相似度，ρ(x_i,x_j)表示样本x_i与x_j之的欧氏距离,μ是一个经验参数，通常取值[0.3，0.8]。计算公式如下：

其中