[发明专利]一种上下文交互约束的低维子空间表达方法

说明书

本发明公开了一种上下文交互约束的低维子空间表达方法，包括：基于不同上下文内的多视角特征表达矩阵，构建不同上下文内多视角特征子空间表达目标函数。通过子空间表达矩阵构建同一上下文内多视角特征间互补性约束，将多视角特征间互补性约束融合到目标函数中，获取更新后的求解特征初始子空间表达矩阵的目标函数；通过子空间表达矩阵构建不同上下文间一致性交互约束；综合考虑不同上下文内多视角特征子空间表达目标函数、同一上下文内多视角特征间互补性约束、不同上下文间一致性交互约束，获取总体目标函数，进行最优化处理，获取特征的低维子空间表达。本发明实现了高维数据的低维子空间表达求解，为高维数据的分析与处理提供更好的数据表达。

技术领域

本发明涉及机器学习、模式识别领域，尤其涉及一种上下文交互约束的低维子空间表达方法。

背景技术

随着信息技术和多媒体技术的发展，对大规模数据的分析与处理越来越重要。实际应用中的文本、图像及视频数据通常具有较高的维度。然而，数据的高维度为分析与处理带来了一定的困难。如何发现高维数据的内在结构和本质维数成为目前研究的热点。子空间表达作为一种简单的参数模型已被应用到高维数据处理领域，其假设高维数据分布于低维子空间，通过挖掘高维数据的低维子空间表达以获得高维数据在其所属的低维子空间内的表示，从而更好地表征数据本身所具有的性质。作为一种分析、处理高维数据的方法，子空间表达通过数据降维，可以简化实际应用中数据计算的复杂度以及噪声影响，为聚类等任务提供更加良好的表示信息。

实际应用中数据通常具有多种表现形式，如视频数据可由外观、音频以及文本等多种上下文信息描述。不同上下文的信息从不同角度描述了同一数据，有效地利用不同上下文信息可以增强数据分析的效果。此外，同一上下文数据也可由多视角特征综合表示，如方向梯度直方图特征和尺度不变特征可联合表示视频外观信息，方向光流直方图特征和运动边界直方图特征可联合表示运动信息。目前多视角特征学习已取得了较好的数据分析效果，其通过使用多视角特征间关联关系，提升最终的数据表达能力。因此，如何有效地联合利用多上下文数据的多视角特征间关联关系以提高数据综合表达能力具有重要研究意义。

Chaudhuri等人使用典型相关性分析方法将多视角高维特征联合映射到一个低维子空间。White等人采用条件独立性以保证数据降维过程中两视角数据之间的独立性，然而局限于只有两个视角的子空间。Zhang等人提出一种多样性引导的多视角子空间学习方法，可有效挖掘多视角数据间的多样性以获得不同视角的低维子空间表达。然而，现有多视角低维子空间表达方法直接将数据的不同特征作为多视角数据输入，并没有对数据不同上下文的多视角特征进行区分，忽略了低维子空间表达求解过程中，不同上下文之间以及同一上下文内不同视角特征间的联合关联关系。

发明内容

当前低维子空间表达求解过程中，直接将数据不同上下文内的特征作为多视角数据输入，忽略了上下文之间以及上下文内不同视角特征间的联合关联关系。针对这一问题，通过联合挖掘上下文内不同视角间互补性以及不同上下文间子空间结构一致性，提出一种上下文交互约束的低维子空间表达方法，详见下文描述：

一种上下文交互约束的低维子空间表达方法，所述方法包括以下步骤：

基于数据样本的不同上下文内的多视角特征表达矩阵，构建不同上下文内多视角特征子空间表达目标函数；

通过子空间表达矩阵构建同一上下文内多视角特征间互补性约束，将多视角特征间互补性约束融合到目标函数中，获取更新后的求解特征初始子空间表达矩阵的目标函数；

通过子空间表达矩阵构建不同上下文间一致性交互约束；

综合考虑不同上下文内多视角特征子空间表达目标函数、同一上下文内多视角特征间互补性约束、以及不同上下文间一致性交互约束，获取总体目标函数；

对总目标函数进行最优化处理，获取特征的低维子空间表达。