[发明专利]一种基于最优协同表示的稳健判别特征提取方法

权利要求书

1.一种基于最优协同表示的稳健判别特征提取方法，其特征在于：包括计算机及存储其中的图像库，并从所述图像库提取基于最优协同表示的L₂,p，0＜p＜2，范数稳健判别特征；

所述基于最优协同表示的稳健判别特征提取方法，提取方法包括如下步骤：

S10,构造训练样本集X和测试样本集X^test；

S20,预设相关参数及类内相似性权重矩阵W，令初始迭代次数t＝0，并初始化低维投影矩阵Q_t；

S30,将训练样本X投影到低维空间Q_t得到其中T表示对矩阵或向量的进行转置运算；

S40,计算d维投影空间中每个训练样本y_i的协同表示系数s_i，i＝1,2,...,n，并构造协同表示系数矩阵S＝[s₁,s₂,,,s_n]∈R^n×n；

S50,根据投影矩阵Q_t和S40中所得协同表示系数矩阵S，结合L₂,p，0＜p＜2，范数，计算d维空间中协同保持离散度矩阵和全局离散度矩阵

S60,构建最优化目标函数tr(.)表示迹运算操作符；计算广义特征方程的d个最小广义特征值所对应的特征向量，形成投影矩阵Q_t+1＝[q₁,q₂,…,q_d]∈R^m×d；

S70,计算当前目标函数值J(Q_t+1)，当t≥1时判断是否满足收敛条件或超过预设的最大迭代次数：若满足收敛条件或超过预设最大迭代次数，退出循环，输出最终投影矩阵Q_t+1＝[q₁,q₂,...,q_d]；否则，令t＝t+1，重复步骤S30-S60；

S80,利用最终的投影矩阵Q_t+1对测试样本进行投影，得到测试样本集的低维投影并利用最近邻分类器进行分类。

2.根据权利要求1所述的基于最优协同表示的稳健判别特征提取方法，其特征在于：所述S10步骤中的训练样本集和测试样本集的构造方法如下：

S11,将图像库中的每幅图像按照固定的行顺序连接并转化为列向量，并存储为图像向量集Ω；

S12,从图像向量集Ω包含的每类图像中随机选取一部分构造训练集X＝[x₁,x₂,...x_n]∈R^m×n，剩余样本为测试集X^test∈R^m×z，其中R表示实数域，m为原始空间中样本的维数，n为训练样本的个数，z为测试样本的个数；构造训练样本X每列所属的标签信息。

3.根据权利要求1所述的基于最优协同表示的稳健判别特征提取方法，其特征在于：所述S20步骤中的相关参数设置、类内相似性权重矩阵W及初始化的低维投影矩阵构造方法如下：

S21,预设用于求解协同表示系数的正则化参数λ，其取值范围为(0,+∞)，实际情况中λ通常通过交叉验证求取；

S22,设定最大迭代次数为N，同时设定终止条件阈值ε，其最终迭代步数由算法收敛结果决定；

S23,用编程软件随机生成初始化低维投影矩阵Q_t∈R^m×d，t＝0，其中d为低维空间的维数，且d＜＜m；

S24,根据训练样本标签信息，构造类内相似性权重矩阵W∈R^n×n，其构造方式如下：若训练样本x_i和x_j属于同一类,包括i＝j情形，则对应元素值为1，否则为0。