[发明专利]一种基于子空间投影和字典学习的图像分类方法

说明书

本发明公开了一种基于子空间投影和字典学习的图像分类方法，首先通过带标签的训练集样本对判别字典进行初始化，然后使用判别字典预测测试样本的类别标签。选出伪标签具有高可信度的测试集样本，并用其与带标签的训练集样本学习一个低维子空间，在这个低维空间上更新判别字典。利用更新得到的判别字典重新对测试集样本进行分类，比较本轮迭代得到的伪标签和上一轮伪标签，将两轮得到的伪标签属性相同的样本称为稳定样本，如果在一轮迭代结束后稳定样本的数量超过了测试集样本数量的百分之八十，则迭代结束，输出该轮得到的伪标签作为分类的结果。与已有的领域自适应图像分类方法相比，本发明的算法能取得更高的分类准确率。

技术领域

本发明涉及到模式识别中的领域自适应图像分类领域，尤其涉及一种基于子空间投影和字典学习的域自适应图像分类领域。

背景技术

在传统的模式识别和机器学习中，算法需要在一定的假设条件下才能有良好的表现，最常见的是：源域的训练集样本和目标域的测试集样本在分布上要保持一致。而在实际应用中，往往很难满足这个条件。例如：在图像分类领域，图像传感器的不同种类，拍摄角度的不同，不同的光线条件等，都会使训练集和测试集样本之间存在较大的分布差异。分布差异会导致训练好的分类器在实际处理测试集样本时表现不佳，大多数方法需要重新训练分类器，而训练分类器需要充足的带标签样本，在某些应用场景下，收集带标签的样本需要付出昂贵的代价甚至无法完成，领域自适应方法就致力于解决这个问题。

解决领域自适应问题的其中一种方法是基于特征的自适应，在图像分类领域，一幅图像会通过各种各样的特征提取方法将其从像素矩阵转换为特征向量，面对图像分布不同带来的差异，这类方法从特征向量着手，通过子空间投影，特征变换等方式来减小图像分布差异给分类带来的影响。较有代表性的是杨蒙(音)教授提出的FDDL字典学习方法和Boqing Gong等人提出的GFK方法。FDDL方法使用线性判别条件，对每一类的样本构造一个子字典，并通过整个字典将样本线性表示出来。GFK方法基于核方法，将数据嵌入到Grassmann流形中，取得了不错的效果。最近效果比较好的方法是S.Herath等人提出的额ILS方法，即学习一个不变的潜在子空间，将训练集样本和测试集样本投影到该子空间上，从而减小了分布的差异。

发明内容

本发明所要解决的技术问题针对背景技术中所涉及到的缺陷，提供一种基于子空间投影和字典学习的图像分类方法，解决了在不重新训练分类器的条件下，源域的训练集和目标域的测试集样本分布过大带来的分类器表现不佳的问题。

为了达到以上目的，本发明提出了一种基于子空间投影和字典学习的图像分类方法,包括以下步骤：

步骤1)使用带标签的训练集初始化判别字典并给测试集样本加上伪标签；

步骤2)选出具有高可信度的测试集样本；

步骤3)将高可信度的测试集样本和训练集样本分别投影到低维平面上，在低维平面上学习判别字典，同时联合学习投影矩阵；

步骤4)使用学习到的判别字典再次对测试集样本进行分类，即重新加上伪标签；

步骤5)计算稳定样本个数，若其数量大于等于测试集样本数量的80％则结束迭代过程，输出该轮伪标签作为结果；若小于80％则重复步骤2～5直到满足条件。

进一步的，所述步骤1)的详细步骤如下：

假设给定的训练集中包含C类样本，