[发明专利]基于核范数正则化的低秩图像特征提取的识别方法及系统

摘要

本申请公开了一种基于核范数正则化的低秩图像特征提取的识别方法及系统，首先对原始训练图像进行相似性学习，构造重构权重系数，再通过最小化基于核范数度量的邻域重构错误，并对投影矩阵进行核范数正则化处理，得到可直接提取二维图像特征的低秩投影矩阵，可有效保持图像像素间的拓扑结构和相关性。此外可确保优化得到低秩的显著图像特征。将原始测试图像直接向训练得到的低秩投影矩阵进行嵌入，输出其低秩显著特征，基于训练集中的低秩显著特征，利用最近邻分类器进行分类，取与测试图像样本的特征相似性最大的训练图像样本的类别标签，完成测试图像样本归类。通过引入核范数正则化，可有效保证特征提取过程中噪声的鲁棒性，系统性能更好。

主权项

1.一种基于核范数正则化的低秩图像特征提取的识别方法，其特征在于，包括：对原始训练图像样本进行相似性学习，使用重构权重方法重构权重系数，通过最小化基于核范数度量的邻域重构错误以优化投影矩阵，并对所述投影矩阵进行核范数正则化，相应地得到用于直接提取二维图像特征的低秩投影矩阵；利用所述低秩投影矩阵，分别对原始训练图像样本和原始测试图像样本进行特征提取，相应地得到包含低秩显著特征的训练集和测试集；将所述测试集中每一测试图像样本的低秩显著特征输入至最近邻分类器以进行分类，从所述训练集中提取出与测试图像样本的特征相似性最大的训练图像样本的类别标签，并将该类别标签作为对应的测试图像样本的类别标签，以完成对所述测试集中每一测试图像样本的类别鉴定，得到相应的识别结果；其中，所述对原始训练图像样本进行相似性学习，使用重构权重方法重构权重系数，通过最小化基于核范数度量的邻域重构错误以优化投影矩阵，并对所述投影矩阵进行核范数正则化，相应地得到用于直接提取二维图像特征的低秩投影矩阵的过程，包括：按照预设的划分比例，将预设图像数据集划分成原始训练集和原始测试集，其中，所述原始训练集包括N个原始训练图像样本，具体表示为N为正整数；基于原始训练图像样本进行K近邻搜索，以找出每个原始训练图像样本在所述原始训练集中的K个最近邻样本，然后采用LLE‑重构权重方法对权重系数进行重构，K为正整数；通过最小化基于核范数度量的邻域重构错误以优化投影矩阵，并对所述投影矩阵进行核范数正则化，相应地得到所述低秩投影矩阵其中，其中，W_i,j为权重系数，为A_i的K个最近邻样本的集合，α为各项的权衡参数，为串联的图像矩阵，I_d为d×d的单位矩阵，||·||_*为核范数，对任意矩阵X定义为：||X||_*＝∑_iσ_i(X)，其中，∑_iσ_i(X)表示X的奇异值之和。