[发明专利]一种基于异质特征联合自表示的特征子空间与亲和矩阵联合学习方法

说明书

一种基于异质特征联合自表示的特征子空间与亲和矩阵联合学习方法，将原始数据及其异质特征整合到一个公共集合中，形成多模态样本集合；然后，在集合上对每一个模态下的样本数据都学习一对垂直和水平投影矩阵，并且可以捕获所有模态下的异质特征之间的互补信息；此外，为了揭示隐藏在多模态视觉数据中的内在子空间结构，设计了一个基于阈值岭回归的自表示模型，进而将学习到的表示矩阵用于构建有效的亲和矩阵；同时，通过联合学习特征子空间和表示矩阵，二者性能可以互相促进；为了确保模型在实际应用中的性能，设计了基于图的表示矩阵约束项来捕获数据的非线性结构信息，这有助于保持复杂样本的邻居关系。

技术领域

本发明属于图像无监督聚类技术领域，具体涉及一种基于异质特征联合自表示的特征子空间与亲和矩阵联合学习方法。

背景技术

图像子空间聚类是计算机视觉领域的基本问题，其目的是提取隐藏在视觉数据中的潜在子空间结构。近年来，提出了许多基于子空间聚类方法，不仅引起了人们的相关广泛关注，而且在实际工作中也取得了成功的应用。基于谱聚类的方法在无监督图像聚类问题中非常适用，其性能优劣主要依赖于学习到的亲和矩阵，该矩阵可度量样本之间的相似性。然而，大多数现有的方法仍然存在一些不足，首先亲和矩阵学习方法是在原始数据上构建的，忽略了其异质特征。其次，当学习它们之间的亲和关系时，视觉数据的特定二维结构并没有得到很好的保留。

发明内容

为解决上述问题，本发明提供了一种基于异质特征联合自表示的特征子空间与亲和矩阵联合学习方法，所述方法包括步骤：

将原始图像和所述原始图像的异质特征整合到统一的集合中，以得到多模态样本集合；

通过投影矩阵同时提取所述多模态样本集合中样本数据的横向与纵向信息，根据所述样本数据定义基于所述异质特征联合自表示的特征子空间的模型的目标函数，挖掘所述原始图像的二维空间结构信息，并将其保留在投影空间中；

利用阈值岭回归的方式构造基于多模态异质特征的联合自表示损失函数，利用Fisher判别准则方法最小化自表示形式里的适应性误差，同时最大化二维投影后所述投影数据的总散度，并学习到最优投影矩阵和系数矩阵，得到第一重新拟定目标函数；

将求解所述目标函数等同于求解P^(k)和Q^(k)的广义特征值问题，同时构建约束项来挖掘所述投影数据的流形结构，得到第二重新拟定目标函数；

通过训练集求解出所述目标函数值最小化时各个变量的值；

在模型求解完毕后利用表示系数构造亲和矩阵；

采用谱聚类的方式在数据集上对所述多模态样本进行聚类，得到所述数据集的聚类精度。

优选地，所述目标函数满足的条件为：所述目标函数最大化所述样本数据的总散度。

优选地，所述目标函数的表达公式为：

其中，P^(k)和Q^(k)分别是针对所述多模态样本的行信息与列信息的所述投影矩阵，且(P^(k))^TP^(k)＝(Q^(k))^TQ^(k)＝I_r,I_r是单位阵，r≤min{a,b}，与为协方差矩阵，

优选地，所述第一重新拟定目标函数的表达公式为：

其中，Z为所述系数矩阵，τ为正则化参数,Y＝[y₁,...,y_i,...,y_n]，y_i为第i个所述多模态样本投影后所有模态的横向和纵向结构信息的集合。