[发明专利]结合多源特征学习和组稀疏约束的无监督物体识别方法

权利要求书

1.一种结合多源特征学习和组稀疏约束的无监督物体识别方法，其特征在于包括如下步骤：

步骤1，从包含c个类别的待处理图像集中获取V种视图，并将其组成数据集X＝[x₁,x₂,…,x_n]∈R^d×n，其中d代表数据的特征维度，n代表数据集的样本数；

步骤2，提取数据集X的总散度矩阵S_t；

所述步骤2中，提取数据集的总散度矩阵S_t的公式是：

其中，为数据集样本的总平均值；

步骤3，在步骤2的基础上构建基于线性判别分析的KM聚类模型；

步骤4，在步骤3的基础上构建基于组稀疏约束和特征选择的多源数据联合聚类模型；

步骤5，求解步骤4得到的多源数据联合聚类模型的目标函数，并进行优化。

2.如权利要求1所述的结合多源特征学习和组稀疏约束的无监督物体识别方法，其特征在于：所述步骤3中，KM聚类模型的目标函数如下：

其中，W＝[w₁,…,w_d]^T∈R^d×m为特征选择矩阵，m为降维后的特征维度，I为单位矩阵，F＝[f₁,f₂,…,f_n]^T∈R^n×c为预测标签矩阵，G＝[g₁,g₂,…,g_c]∈R^m×c为聚类中心矩阵，‖·‖_2,1代表其l_2,1范数且对于任意矩阵M∈R^r×p，

3.如权利要求1所述的结合多源特征学习和组稀疏约束的无监督物体识别方法，其特征在于：所述步骤4中，多源数据联合聚类模型的目标函数如下：

其中，W＝[w₁,…,w_d]^T∈R^d×m为特征选择矩阵，m为降维后的特征维度，I为单位矩阵，F＝[f₁,f₂,…,f_n]^T∈R^n×c为预测标签矩阵，G＝[g₁,g₂,…,g_c]∈R^m×c为聚类中心矩阵，‖·‖_2,1代表其l_2,1范数且对于任意矩阵M∈R^r×p，代表G_2,1范数，设为第i组视图数据对应的特征选择矩阵，则W表示为且其G_2,1范数表示为γ和η是正则化参数，分别用于控制模型中特征稀疏度和视图间的稀疏度。