[发明专利]结构化多视图Hessian正则化稀疏特征选择方法

说明书

本发明公开了一种结构化多视图Hessian正则化稀疏特征选择方法，包括以下步骤：采集n个原始图像的底层视觉特征，得到m个视图图像特征矩阵，设X的特征选择映射矩阵为变量G，构建结构化多视图Hessian正则化稀疏特征选择的目标函数，通过迭代算法计算X的特征选择映射矩阵G，根据所得特征选择映射矩阵G_t，将进行降序排列，选取前ds个对应于X的特征作为特征选择后的特征子集。本发明在对多视图数据进行半监督特征选择时，不仅考虑每一个视图的重要性，还同时考虑了同一视图下不同特征的重要性，另外，利用多视图Hessian正则化进一步提升了半监督稀疏特征选择的性能，因此，本发明具有更好的特征选择性能。

技术领域

本发明属于半监督稀疏特征选择技术领域，具体来说涉及一种结构化多视图Hessian正则化稀疏特征选择方法。

背景技术

为了更好的理解、搜索和分类图像数据，许多视觉特征被提出，例如形状特征、颜色特征、纹理特征等。每一种类型的特征都是从某一特定空间对图像数据进行描述，并具有特定的物理意义和统计特性。传统上来说，每一类型的特征可以被看作是一个视图，因此由不同类型的特征表示的数据被称为多视图数据。如何获得多视图数据的有效信息成为了当前特征选择分析领域的一个研究热点。

一种最直接的方法就是将多视图数据直接串接成一个长的特征向量，该方法简单，但是这种直接串接的方式大大破坏了不同视图特征间的潜在关联，同时也缺乏物理解释。

为了克服直接串接多视图数据的不足，近年，多视图学习被广泛研究，并被应用到了特征选择分析之中。这些方法能够有效的利用不同视图特征之间的互补性和关联性，同时认为同一视图下所有特征具有相同的重要性，同一视图下的所有特征被赋予相同的权重。然而事实上，同一视图下的不同特征具有不同的重要性。

因此，在特征选择的时候不仅需要考虑每一个视图的重要性，同时需要考虑同一视图下不同特征的重要性，这将可以进一步提升特征选择性能。最近，有一些工作对此进行了尝试，王等人提出了组l₁-范数(G₁范数)，基于此提出了一个基于联合结构化稀疏正则化的监督稀疏多模态学习方法进行异质特征整合，还提出了一个整合所有特征的非监督多视图学习模型。

由于Hessian正则化比图拉普拉斯正则化具有更好的推断能力，因此，Hessian正则化具有更好的半监督学习能力。近年，基于Hessian正则化的半监督特征选择方法被提出，然而，面对多视图数据时，这些半监督特征选择方法在构建Hessian正则化的过程中没有很好的考虑多视图数据特点，忽略了不同视图特征之间的关联及互补特性。

发明内容

针对现有技术的不足，本发明的目的是提供一种结构化多视图Hessian正则化稀疏特征选择方法。

为此，本发明的技术方案如下：

一种结构化多视图Hessian正则化稀疏特征选择方法，包括以下步骤：

1)采集n个原始图像的底层视觉特征，得到m个视图图像特征矩阵，其中，

所述m个视图图像特征矩阵为：

X＝(X^v)_m×1＝[X¹,X²,...,X^m]^T∈R^d×n，

在所述公式(1)中，所述d_v为第v个视图图像特征维度；所述X^v为第v个视图图像特征矩阵，且