[发明专利]基于正交性约束增量非负矩阵分解的有监督图像识别方法

说明书

本发明属于图像识别领域，具体涉及一种基于正交性约束增量非负矩阵分解的有监督图像识别方法，旨在为了解决现有有监督图像在线识别方法在新增样本较多时，累计训练时间消耗较长，识别效率较低的问题。本发明包括：获取初始样本集的矩阵表示V_c；获取V_c经ONMF算法分解得到基矩阵W_c和系数矩阵H_c；获取新增样本集的矩阵表示V_p，构建所有样本构成的数据矩阵V_z＝[V_c,V_p]，并基于W_c、H_c采用增加正交性约束的INMF算法获取基矩阵W_z；利用基矩阵W_z的Moore‑Penrose逆作为投影变换矩阵，分别对V_z及待识别图像集的矩阵V_test进行投影变换，然后训练分类器并对V_test进行识别分类。本发明在新增训练样本较多时，可以快速地动态更新基矩阵，大幅减少了时间消耗。

技术领域

本发明属于图像识别领域，具体涉及一种基于正交性约束增量非负矩阵分解的有监督图像识别方法。

背景技术

增量非负矩阵分解(INMF)是一种基于子空间降维的增量学习模型，能够解决非负矩阵分解(NMF)在有监督图像识别中，随训练样本增多而重新分解运算的识别效率问题，其思想是动态的更新非负基矩阵，以更好的描述不断增加的图像样本。但是INMF在特征提取阶段对新增训练样本为逐个增加，所有新增样本的训练时间也与新增样本数量成正比，且得到基矩阵稀疏性较低，局部表达能力不强。正交性约束可以去除基矩阵各向量之间的相关性，在基矩阵非负的前提下，基矩阵越趋于正交则越稀疏。针对INMF的不足，将正交约束与增量学习相结合，得到一种分解后基矩阵更稀疏，局部表达能力更强的增量非负矩阵分解方法具有重要意义。

Bucak等人在2009年提出增量非负矩阵分解算法(incremental non-negativematrix factorization，INMF)的概念[Bucak S S,Gunsel B.Incremental subspacelearning via non-negative matrix factorization[J].Pattern Recognition,2009,42(5):788-797.]，认为单个新加入的训练样本几乎不影响原始基矩阵的表达，利用原始数据的非负矩阵分解结果，对基矩阵和系数矩阵进行快速更新，使特征提取环节具备了增量学习的能力，从而提高了运行效率，应用到了视频监控中。在此基础上，王万良等提出稀疏约束下非负矩阵分解的增量学习算法(INMFSC)，提高了分解后数据的稀疏性，并将其应用到图像识别中[王万良,蔡竞.稀疏约束下非负矩阵分解的增量学习算法[J].计算机科学,2014,41(8):241-244.]。Zhe-Zhou Yu等提出图正则增量非负矩阵分解算法(IncrementalGraph Regulated Nonnegative Matrix Factorization IGNMF)，通过在降维过程中保持原高维数据的近邻分布结构，实现了较好的分类效果。[YU Z Z，LIU Y H，LI B，etal.Incremental Graph Regulated Nonnegative Matrix Factorization for FaceRecognition.Journal of Applied Mathematics，2014.DOI:10.1155/2014/928051.]，Sihang Dang等提出基于L_(1/2)范数约束增量非负矩阵分解算法(L_(1/2)INMF)将稀疏约束与增量学习相结合。[Sihang Dang,Zongyong Cui,Zongjie Cao,et al.SAR targetrecognition via incremental nonnegative matrix factorization with Lp sparseconstraint[J].Science TechnologyEngineering,2017,10(3):0530-0534.]并应用到了SAR图像识别中，汪金涛等将增量学习的思想引入稀疏约束图正则非负矩阵分解，提出了稀疏约束图正则非负矩阵分解的增量学习算法(Incremental learning based on GNMFSCIGNMSC)[汪金涛,曹玉东,孙福明.稀疏约束图正则非负矩阵分解的增量学习算法[J].计算机应用,2017,37(4):1071-1074.]