[发明专利]一种鲁棒视觉图像分类方法及系统

摘要

本发明公开了一种鲁棒视觉图像分类方法及系统，为了有效实现训练样本内无标签样本的类别预测和待测样本的快速归纳与合理降维，通过将基于弹性回归分析的误差度量集成到训练样本外的标签传播模型，并通过参数权衡归一化流形正则化项、基于软标签l_2,1范数正则化的标签拟合项及基于l_2,1范数正则化的弹性回归残差项对样本描述及类别鉴定的影响，完成标签传播模型的建立；进而通过对标签传播模型的迭代优化获取用于确定待测样本的类别的投影矩阵。因此，本申请中通过引入基于l_2,1范数正则化的回归误差项及软标签l_2,1范数正则化，能够在继承标签传播分类方法的优点的同时有效提高了系统的鲁棒性，使待测样本的归纳过程快速且精确。

主权项

1.一种鲁棒视觉图像分类方法，其特征在于，包括：步骤1：基于近邻定义及重构权的构造方法对预先获取的训练集中的训练样本进行处理，得到相似度量矩阵，对所述相似度量矩阵进行预设处理，得到重构系数矩阵，所述训练样本包括已知其类别并标定有与其类别对应的类别标签的有标签样本及未知其类别且未标定有类别标签的无标签样本；根据每个所述训练样本的类别标签确定初始类别标签矩阵；步骤2：基于所述重构系数矩阵及所述初始类别标签矩阵，将归一化流形正则化项、标签拟合项及弹性回归残差项集成到统一的标签传播模型的框架中，并利用参数权衡所述归一化流形正则化项、标签拟合项及弹性回归残差项的贡献程度，通过迭代优化所述标签传播模型获得投影矩阵及与所述训练样本的类别对应的软标签矩阵；步骤3：利用所述投影矩阵对待测样本进行映射，得到与所述待测样本的类别对应的软标签；所述待测样本为未知其类别且未标定类别标签的样本；所述基于近邻定义及重构权的构造方法对预先获取的训练集中的训练样本进行处理，得到相似度量矩阵，包括：利用K近邻算法对每个所述训练样本进行处理，得到每个训练样本的K个最近邻样本，K为正整数；采用LLE‑重构权的构造方法利用所述训练样本及每个所述训练样本的K个最近邻样本获取与所述训练样本对应的相似度量矩阵；其中，所述训练样本及所述待测样本均为人脸图像；步骤2包括:利用下列公式计算所述投影矩阵及所述软标签矩阵：SubjF≥0,e^TF＝e^T其中，F表示软标签矩阵，P表示投影矩阵，b表示弹性常量；W表示重构系数矩阵，W_i,j表示训练样本x_i的近邻训练样本x_j对训练样本x_i的协同重构权重；D是一个对角矩阵，其对角元素D_ii＝∑_jW_i,j；L＝D^‑1/2(D‑W)D^‑1/2＝I‑D^‑1/2WD^‑1/2，其是一个归一化的拉普拉斯矩阵；U是一个对角矩阵，其对角元素为μ_i；α,β和γ均为大于零的参数，用于权衡所述归一化流形正则化项、所述标签拟合项及所述弹性回归残差项的贡献程度；Y表示初始类别标签矩阵，X表示原始的训练集，e为自然常数。