，生 成一個(gè)用于特征提取的線性投影矩陣和線性分類器;進(jìn)而利用得到的線性投影矩陣對(duì)待測 樣本進(jìn)行嵌入處理與描述，完成聯(lián)合低秩和稀疏主成分特征提取后，再將待測樣本的聯(lián)合 低秩和稀疏主成分特征向線性分類器進(jìn)行映射，可得到待測樣本的軟類別標(biāo)簽，通過軟類 別標(biāo)簽中的最大值對(duì)應(yīng)的位置，確定為待測樣本的類別，得到最準(zhǔn)確的分類結(jié)果。本發(fā)明公 開的上述技術(shù)方案可被直接的用于誘導(dǎo)式的表示和分類，此外，通過聯(lián)合學(xué)習(xí)得到線性投 影矩陣和線性分類器，可有效減少測試過程的時(shí)間復(fù)雜性，因此可有效提升算法的可拓展 性。
【附圖說明】
[0033] 為了更清楚地說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn) 有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本 發(fā)明的實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可W根據(jù) 提供的附圖獲得其他的附圖。
[0034] 圖1為本發(fā)明實(shí)施例提供的一種聯(lián)合魯棒主成分特征學(xué)習(xí)與視覺分類方法的流程 圖；
[0035] 圖2為本發(fā)明實(shí)施例提供的一種聯(lián)合魯棒主成分特征學(xué)習(xí)與視覺分類系統(tǒng)的結(jié)構(gòu) 示意圖；
[0036] 圖3為本發(fā)明實(shí)施例提供的一種視覺圖像識(shí)別過程的預(yù)測示意圖。
【具體實(shí)施方式】
[0037] 下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完 整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；?本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他 實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。
[0038] 請參閱圖1，其示出了本發(fā)明實(shí)施例提供的一種聯(lián)合魯棒主成分特征學(xué)習(xí)與視覺 分類方法的流程圖，該方法基于將魯棒主成分特征學(xué)習(xí)、編碼錯(cuò)誤和基于主成分特征的分 類錯(cuò)誤集成到一個(gè)統(tǒng)一的最小化框架的思想，可W包括W下步驟：
[0039] Sll:基于訓(xùn)練樣本集，通過將魯棒主成分特征學(xué)習(xí)、編碼錯(cuò)誤和基于主成分特征 的分類錯(cuò)誤集成到一個(gè)統(tǒng)一的最小化框架，可同時(shí)進(jìn)行聯(lián)合低秩與稀疏主成分特征提取和 數(shù)據(jù)糾錯(cuò)，且可確保得到的聯(lián)合主成分特征對(duì)于分類是最優(yōu)的；為了得到描述性更強(qiáng)的魯 棒特征，同時(shí)考慮了數(shù)據(jù)的魯棒與稀疏特性，同時(shí)將經(jīng)過一個(gè)投影嵌入的特征進(jìn)行低秩和 Ll-范數(shù)最小化，確保提取的特征滿足低秩與稀疏特性;最終得到一個(gè)線性投影矩陣和一個(gè) 線性分類器;其中，訓(xùn)練樣本集中包含的訓(xùn)練樣本為已知其類別的樣本。
[0040] 其中，線性投影矩陣為稀疏投影矩陣，線性分類器為線性多類別分類器。
[0041] S12:利用線性投影矩陣通過嵌入方式提取待測樣本的聯(lián)合低秩與稀疏主成分特 征;其中，待測樣本為未知其類別的樣本。
[0042] S13:將提取到的待測樣本對(duì)應(yīng)的聯(lián)合低秩與稀疏主成分特征向線性分類器進(jìn)行 映射，得到待測樣本的軟類別標(biāo)簽，其中包括測試樣本歸屬各個(gè)類別的概率，根據(jù)概率中最 大值對(duì)應(yīng)的位置，確定為待測樣本的類別，完成分類過程。
[0043] 具體來說，待測樣本可W表示為Xnew,而其對(duì)應(yīng)的待測樣本的聯(lián)合低秩與稀疏主成 分特征可W表示為孩《，，通過將1。^向線性分類器投射，可W得到其軟類別標(biāo)簽的向量，表 達(dá)如下：供gw =曠玄,,《1. ( ) .，. W及相應(yīng)的硬標(biāo)簽，表達(dá)如下：l(x)=argmini;c (Unew)i，即軟標(biāo)簽向量Wnew中的最大值對(duì)應(yīng)的位置對(duì)應(yīng)的類別，即為待測樣本的類別。由此， 利用得到的線性投影提取待測樣本的聯(lián)合低秩和稀疏主成分特征，將提取的上述特征向線 性分類器進(jìn)行映射得到其軟類別標(biāo)簽向量(軟類別標(biāo)簽向量中的值為待測樣本歸屬各個(gè)類 別的概率），根據(jù)軟類別標(biāo)簽向量中的概率最大值對(duì)應(yīng)的位置，得到最準(zhǔn)確的視覺數(shù)據(jù)分類 結(jié)果。本發(fā)明公開的上述一種聯(lián)合魯棒主成分特征學(xué)習(xí)與視覺分類的新方案，通過對(duì)訓(xùn)練 樣本運(yùn)用該方案進(jìn)行聯(lián)合訓(xùn)練，生成一個(gè)用于特征提取的線性投影矩陣和線性分類器;進(jìn) 而利用得到的線性投影矩陣對(duì)待測樣本進(jìn)行嵌入處理與描述，完成聯(lián)合低秩和稀疏主成分 特征提取后，再將待測樣本的聯(lián)合低秩和稀疏主成分特征向線性分類器進(jìn)行映射，可得到 待測樣本的軟類別標(biāo)簽，通過軟類別標(biāo)簽中的最大值對(duì)應(yīng)的位置，確定為待測樣本的類別， 得到最準(zhǔn)確的分類結(jié)果。本發(fā)明公開的上述技術(shù)方案可被直接的用于誘導(dǎo)式的表示和分 類，此外，通過聯(lián)合學(xué)習(xí)得到線性投影矩陣和線性分類器，可有效減少測試過程的時(shí)間復(fù)雜 性，因此可有效提升算法的可拓展性。
[0044] 本發(fā)明實(shí)施例提供的一種聯(lián)合魯棒主成分特征學(xué)習(xí)與視覺分類方法中，在基于待 測樣本集得到線性投影矩陣及線性分類器之前，還可W包括：
[0045] 對(duì)訓(xùn)練樣本集中的訓(xùn)練樣本進(jìn)行預(yù)處理。
[0046] 需要說明的是，對(duì)訓(xùn)練樣本集中的訓(xùn)練樣本進(jìn)行必要的預(yù)處理可W包括將訓(xùn)練樣 本圖片的大小設(shè)置為預(yù)設(shè)的大小，等，并且，在對(duì)訓(xùn)練樣本集中的訓(xùn)練樣本進(jìn)行預(yù)處理的同 時(shí)，還可W對(duì)相關(guān)參數(shù)進(jìn)行初始化設(shè)置，W保證本發(fā)明實(shí)施例提供的一種聯(lián)合魯棒主成分 特征學(xué)習(xí)與視覺分類方法的順利實(shí)現(xiàn)。
[0047] 本發(fā)明實(shí)施例提供的一種聯(lián)合魯棒主成分特征學(xué)習(xí)與視覺分類方法中，基于待測 樣本集得到線性投影矩陣及線性分類器，可W包括：
[0048] 按照下列公式將訓(xùn)練樣本集分解為一個(gè)聯(lián)合特征矩陣PX和一個(gè)稀疏錯(cuò)誤矩陣E， 并得到線性投影矩陣P及線性分類器W:
[0049] 身重'《(1-?)|戶義|* +r|￡F -Jffpr叫 1,1 + 義Il應(yīng)I
[0050] s.t.X = PX+E
[0051] 其中，X表示訓(xùn)練樣本集，A'二[.V|，A',，.. 一、] €吸""^，11表示每個(gè)訓(xùn)練樣本的維度，N 表示訓(xùn)練樣本的數(shù)量，吸"、V.表示nXN的矩陣空間，MHT-XTpTw||2,i表示基于魯棒12'1范數(shù)度 量的分類錯(cuò)誤;QE [0，1]表示用于權(quán)衡低秩主成分特征編碼和稀疏主成分特征編碼的最小 化項(xiàng)；丫表示正的權(quán)衡參數(shù)，為了衡量分類錯(cuò)誤項(xiàng)||HT-xTpTw| |2,1的貢獻(xiàn)程度;A>〇表示依 賴于錯(cuò)誤或噪音級(jí)別的權(quán)衡參數(shù)；H =的雜，，表示與訓(xùn)練樣本的類別對(duì)應(yīng)的 初始標(biāo)簽，C表示訓(xùn)練樣本中包含的類別的個(gè)數(shù)，ITXW表示CXN的矩陣空間；MeMi表示稀 疏錯(cuò)誤項(xiàng)，I I ? I I*表示核范數(shù)，I I ? I Ii表示Ii范數(shù)，I I ? Iki表示12'1范數(shù)。
[0052] 具體來說，對(duì)于給定的一個(gè)訓(xùn)練樣本集若= [Xi，.v,，...，％] e披"W，根據(jù)訓(xùn)練樣本 集計(jì)算得到一個(gè)可用于聯(lián)合低秩和稀疏主成分特征提取的線性投影矩陣P和線性分類器W， 通過將X分解為一個(gè)聯(lián)合特征矩陣PX和一個(gè)稀疏錯(cuò)誤矩陣E，解決W下凸優(yōu)化問題：
[005；3]您卽-a)|禪IL+貨Ii邸I,:+-於巧+ 44 [0054] s.t.X = PX+E
[005引其中，X表示訓(xùn)練樣本集，乂=[.ri，.v,，…，-V'、、]E技"、\，n表示每個(gè)訓(xùn)練樣本的維度，N 表示訓(xùn)練樣本的數(shù)量，腰"心表示nXN的矩陣空間，IlHT-XTpTwIha是回歸分類誤差，表示基 于魯棒I2'1范數(shù)度量的分類錯(cuò)誤；丫表示正的權(quán)衡參數(shù)，為了衡量分類錯(cuò)誤項(xiàng)M護(hù)-xTpTw k 1的貢獻(xiàn)程度;a E [0，1 ]，表示用于權(quán)衡低秩主成分特征編碼和稀疏主成分特征編碼的最 小化項(xiàng)；^>0,表示依賴于錯(cuò)誤或噪音級(jí)別的權(quán)衡參數(shù)；11 = [/7|，/?,....，/?、、]￡11"\，表示與訓(xùn) 練樣本的類別對(duì)應(yīng)的初始標(biāo)簽，C表示訓(xùn)練樣本中包含的類別的個(gè)數(shù)，Raw未示cXN的矩陣 空間，hj代表訓(xùn)練樣本Xj的初始標(biāo)簽，若Xj的初始標(biāo)簽為i，1 y < C，則hi,j = l，hj中其他元 素為〇(即hj第i行的元素為1，其余為0); I IeMi表示稀疏錯(cuò)誤項(xiàng)，M ? II*表示核范數(shù)，Il ? Il表示Il范數(shù)，I I ? ||2,1表示12'1范數(shù)。
[0056]而M ? II*、M ? M成M ? I k汾別定義如下：
[0060] 其中，X i〇i(L)表示矩陣L的奇異值之和。
[0061] 類似于其他核范式最小化問題一樣，本算法最主要的計(jì)算任務(wù)就是計(jì)算奇異值分 解(Singular Value Decomposition,簡稱SVD)的過程。為了提升計(jì)算的可拓展性，在計(jì)算 線性投影矩陣P和線性分類器W的時(shí)候可轉(zhuǎn)化為一個(gè)更簡單的問題，可將優(yōu)化結(jié)果護(hù)分解為 兩個(gè)矩陣的乘積，即盧=P ，其中，Q*可W通過按列正交化訓(xùn)練樣本集X計(jì)算得到，因 此使用戶'(()7'來代替P*，并令A(yù)= (Q*)Tx，則問題就可描述為：
[0062 ]觀.,滬(1 - a) IML + a 14 + Hl怎ILi +李I(lǐng)
[0063] s.(. X = PA + E, PA =