[发明专利]一种图转导半监督分类方法

说明书

本发明公开了一种图转导半监督分类方法，包括以下步骤：步骤一、获取视频图像信息；步骤二、选取视频图像上的已标记点；步骤三、在未标记样本点中选取预选样本点；步骤四、对预选样本点进行分类；步骤五、对未标记样本点进行分类。本发明对未标记样本点进行预选取，然后通过计算样本相似度对预选样本点进行分类，减少预选样本点之间的虚假连接，进而缩减了构图的时间，利用已标记样本点的样本类别和已标记样本点与未标记样本点的样本相似度得出未标记样本点的分类结果，解决了对已标记样本集的依赖性问题，提高分类的精度。

技术领域

本发明属于数据处理技术领域，具体涉及一种图转导半监督分类方法。

背景技术

目前，监督学习、无监督学习以及半监督学习算法为三大热门学习算 法。基于现实中图像、模型等领域具有的海量数据中只有小部分标记样本 的现状，充分利用标记数据以及无标记数据进行分类学习，成为更主流的 研究方式，这也造就了半监督学习算法在分类算法中炙手可热的地位。半 监督学习算法拥有两个分支，即归纳学习算法和转导学习算法，其中，是 否生成分类器是两种算法最大的区别。具体而言，归纳学习是利用标记数 据和未标记数据学习得到分类器，进而通过分类器进行数据分类的方法， 而图转导学习并不需要形成分类器，直接利用整个数据集便可以进行分 类。相比而言，图转导算法更为经济。在图转导算法中，聚类假设、流形 假设以及局部和全局一致性假设是比较常用的假设方法，其中，聚类假设 保障了图转导算法中，数据在相邻位置上相似度较高时，对应节点趋于相 似的标记。

目前，国内外已有很多学者对图转导算法进行研究，并提出诸多算法。 标签传播算法是图转导算法的基础，通过图的边将标记信息传播到未标记节 点，由于图转导算法是基于聚类假设，所以权重大的边比权重小的边标记传 播更容易一些，在权重为0的边终止标记传播。在此基础上衍生出调和高斯 场、局部与全局一致性、极大极小标签传播算法、最小代价路径标签传播算 法等方法。不论是调和高斯场算法还是局部与全局一致性算法都过于依赖初 始标记集，若图中含有噪声，或者因为其他因素使得输入数据集不可划分类别时，通过图转导方法得到的分类结果缺乏准确性。因此为了充分利用标记 样本点与未标记样本点，提高分类的精度，需要一种图转导半监督分类方法， 解决了对初始标记集的依赖性问题，提高了分类准确率。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种 图转导半监督分类方法，对未标记样本点进行预选取，然后通过计算样本 相似度对预选样本点进行分类，减少预选样本点之间的虚假连接，进而缩 减了构图的时间，利用已标记样本点的样本类别和已标记样本点与未标记样 本点的样本相似度得出未标记样本点的分类结果，解决了对已标记样本集的 依赖性问题，提高分类的精度。

为解决上述技术问题，本发明采用的技术方案是：一种图转导半监督 分类方法，其特征在于，该方法包括以下步骤：

步骤一、获取视频图像信息：视频图像传感器采集视频图像并将得到的 视频图像传输给计算机，计算机将得到的视频图像存入总样本集X，总样本 集X中的样本点个数为n×h，n和h均为不小于2的正整数，

步骤二、选取视频图像上的已标记点：总样本集X中的样本点按类别分 为C类，计算机在所述视频图像上选取已标记样本点，已标记样本点包括所 述类别中的所有类别，计算机将已标记样本点存入已标记样本集X_l，已标记 样本集X_l中的样本点个数为l×h，l为不大于n的正整数，将已标记样本点的 样本类别存入已标记样本类别集Y_l，将未标记样本点存入未标记样本集X_u， 未标记样本集X_u中的样本点的样本类别组成未标记样本类别集Y_u，未标记样 本集记X_u中的样本点个数为(n-l)×h；

步骤三、在未标记样本点中选取预选样本点：

步骤301、选取未标记样本点的中心样本点：