[发明专利]一种针对高阶张量数据的处理方法

说明书

公开一种针对高阶张量数据的处理方法，其能够避免了图像观测样本集向量化过程破坏数据的内部结构，灵活而且简单，可以提取出张量样本的判别性特征，简化了图像观测样本集中高阶张量数据存在的大量冗余信息，提高了图像处理速度。这种针对高阶张量数据的处理方法，将高阶张量数据分解为三部分：共享子空间成分、个性子空间成分以及噪声部分；共享子空间成分、个性子空间成分分别将高阶张量数据表示为一组张量基底和向量系数的线性组合；利用变分EM方法求解基底张量和向量系数；通过比较样本的边缘分布设计分类器对待测样本进行分类。

技术领域

本发明涉及数据处理的技术领域，尤其涉及一种针对高阶张量数据的处理方法，其主要用于视频序列、RGB-D 序列等数据的处理。

背景技术

随着科技的发展, 高阶张量数据大量涌现, 如视频序列, RGB-D 序列等。由于高阶张量数据中常常存在大量的冗余信息, 所以对数据进行分析之前常常需要对其提取特征或降维。

传统的降维方式是将张量数据向量化, 然后采用向量的降维方法, 而向量化过程会破坏数据的结构关系, 无法利用高阶张量数据的内部结构。另外, 对于高阶张量常用的两种降维方法是 CandeComp/ PARAFAC（CP）分解和 Tucker分解。CP 分解提取的特征维度是由 CP 分解的秩确定的, 不具有灵活性。Tucker 分解对测试样本提取特征较为复杂,因此, 它更多的适用于聚类而不是分类。

发明内容

为克服现有技术的缺陷，本发明要解决的技术问题是提供了一种针对高阶张量数据的处理方法，其能够避免了图像观测样本集向量化过程破坏数据的内部结构，灵活而且简单，可以提取出张量样本的判别性特征，简化了图像观测样本集中高阶张量数据存在的大量冗余信息，提高了图像处理速度。

本发明的技术方案是：这种针对高阶张量数据的处理方法，将高阶张量数据分解为三部分：共享子空间成分、个性子空间成分以及噪声部分；共享子空间成分、个性子空间成分分别将高阶张量数据表示为一组张量基底和向量系数的线性组合；利用变分EM方法求解基底张量和向量系数；通过比较样本的边缘分布设计分类器对待测样本进行分类。

本发明与传统的线性判别方法相比，直接作用在张量数据上从两个空间中分别提取共性特征和个性特征，在每个空间中，利用张量的结构特点，构造一种张量数据到向量数据的表示方式，从而提取出张量样本的判别性特征，因此能够避免了图像观测样本集向量化过程破坏数据的内部结构，灵活而且简单，简化了图像观测样本集中高阶张量数据存在的大量冗余信息，提高了图像处理速度。

附图说明

图1是根据本发明的公式（1）的示意图。

图2是根据本发明的同一类的样本分享同一个身份变量的示意图。

图3展示了扩展耶鲁库上本发明的重构的视觉效果。

图4展示了AR数据库上本发明的重构结果。

具体实施方式

如图1所示，这种针对高阶张量数据的处理方法，将高阶张量数据分解为三部分：共享子空间成分、个性子空间成分以及噪声部分；共享子空间成分、个性子空间成分分别将高阶张量数据表示为一组张量基底和向量系数的线性组合；利用变分EM方法求解基底张量和向量系数；通过比较样本的边缘分布设计分类器对待测样本进行分类。

本发明与传统的线性判别方法相比，直接作用在张量数据上从两个空间中分别提取共性特征和个性特征，在每个空间中，利用张量的结构特点，构造一种张量数据到向量数据的表示方式，从而提取出张量样本的判别性特征，因此能够避免了图像观测样本集向量化过程破坏数据的内部结构，灵活而且简单，简化了图像观测样本集中高阶张量数据存在的大量冗余信息，提高了图像处理速度。

优选地，二维模型为：