[发明专利]基于截断核范数的低秩判别嵌入法的图像降维方法及图像识别方法

说明书

本发明公开了一种基于截断核范数的低秩判别嵌入法的图像降维方法及图像识别方法，目的在于，发掘出隐藏在高维图像信息中的低维几何描述，本发明以张量判别嵌入法(TLRDE)为基础，首先使用截断核范数(Truncated Nuclear Norm)来代替常用的核范数(Nuclear Norm)去更好地逼近矩阵的秩，使得提取出来的图像低维特征更为精确，然后通过对正则项的变形，利用人脸自带的标签信息使得该方法能够在有监督学习的情况下学习出具有判别能力的图像低维特征。本发明在图像特征提取方面性能具有明显的优势，在使用相同的图像分类方法下，通过本发明进行特征提取后的图像，具有更高的识别率。

技术领域

本发明涉及图像识别领域，具体涉及一种基于截断核范数的低秩判别嵌入法的图像降维方法及图像识别方法。

背景技术

随着社会的进步和科学技术的迅猛发展，图像识别技术越来越成为当今社会上非常有意义的研究方向和热点，其是指计算机对图像进行分析、处理、来模拟和实现人的认知、理解过程以及识别各种不同类别的标签和对象的技术。而在图像识别的过程中，特征提取又作为其核心部分，受到研究者广泛地关注和探索，这是因为原始图像的数据量相当之大，且样本常处于一个高维空间中，直接对原始图像进行分类，无论是从计算量还是计算复杂度来说，都是不可取的，而且提取到的特征直接影响到分类决策算法的性能，提取到不恰当的，冗余的，甚至是错误的特征就不能够精确地分类，甚至无法分类，从而影响整个图像识别系统的性能。为了有效地进行分类，正确地进行特征提取，一般都是寻找到一个最优的投影矩阵，能够将原始数据映射到低维子空间中，同时还要保证映射后的低维子空间能够反映数据集的本质特征。所以说，特征提取本质上就是一种图像数据的降维方法。

总而言之，特征提取是图像识别中的一个重要的组成方法，能够从高维数据中发掘出有效特征，使得数据能够在低维空间中进行准确的几何描述，已经越来越成为许多领域的研究热点。

发明内容

本发明目的：为克服现有的张量低秩判别法(TLRDE)存在的不足，本发明对高维图像进行降维处理，通过建立一种新的图像降维模型，实现图像能够在不丢失有用信息的前提下降低图像的维数。

技术方案：一种基于截断核范数的低秩判别嵌入法的图像降维方法，包括以下步骤：

步骤1：根据目标函数及约束条件，建立基于截断核范数的线性判别嵌入法的模型，表示为：

||Z||_r＝||Z||_*-Tr(FZG^T)                     (3)

式中，训练集X，P为投影矩阵，Z为重构矩阵，F和G表示对Z进行SVD奇异值分解后得到的奇异值向量进行截断后的向量形式，λ是平衡参数，γ是正则项系数；

步骤2：采用交替迭代算法对模型中的P和Z进行优化，得到优化后的投影矩阵P；

步骤3：基于投影矩阵P，将待降维的高维图像投影到低维子空间中得到对应的低维图像。

进一步的，所述步骤2具体包括以下子步骤：

S210：将公式(2)中不含有Z的项略去，用下式来求解Z：

S220：计算和

S230：根据求解得到的Z，更新S_z＝(X-XZ)(X-XZ)^T；

S240：将公式(2)中不含有P的项略去，用下式来求解P：