一种基于稀疏预设子空间迁移的图像分类方法技术

本发明专利技术公开了一种基于稀疏预设子空间迁移的图像分类方法，它在原始空间中，由一个预先定义的基础转换P，将目标域训练数据XT通过基础转换P映射到预设子空间得到目标数据PXT，将源域训练数据XS通过基础转换P映射到预设子空间得到PXS，本发明专利技术通过源域和目标域数据P[XS,XT]来对目标数据进行重建，把P[XS,XT]又统一称为源域数据，然后利用源域数据P[XS,XT]通过稀疏矩阵Z转换，与PXT在预设子空间内共享分布。本发明专利技术的技术效果是：提高了图像数据在预设子空间迁移的准确度。

【技术实现步骤摘要】

本专利技术属于一种图像分类方法，具体涉及一种基于稀疏预设子空间迁移的图像分类方法。
技术介绍
一般来说，在传感器没有发生漂移时采集到的数据称为源域，在使用一段时间后传感器发生漂移后获得的数据称为目标域。在图像领域，可以把物体的任意一种姿态称为源域，将受到外界条件改变(例如角度、光线强弱、背景色彩改变等)得到的另一种姿态称为目标域，图像分类的基本任务就是能够将这些处于不同状态下的同类物体寻找出来。为了描述简便，本专利技术规定：“S”表示源域，“T”表示目标域；源域训练数据记为目标域训练数据记为其中D代表维数，NS和NT是两个域中训练样本的数目；和表示目标域中少数标记的和大量未标记的数据；表示将源数据和目标数据的原始空间映射到预设子空间的带有维数d的基础变换；Z表示XS和XT之间的稀疏重建矩阵；1n表示长度为n的非零列向量；I表示单位矩阵；||·||0代表一个向量非零元素的数目；||·||1表示L1-范数；||·||F表示矩阵的Frobenius范数；[X]i表示X的第i列。在本专利技术中，矩阵采用大写黑体，向量为小写黑体，变量为斜体。M.Shao,D.Kit,andY.Fu,“GeneralizedTransferSubspaceLearningThroughLow-RankConstraint,”Int.J.Comput.Vis.,vol.109,pp.74-93,2014.(M.Shao,D.Kit和Y.Fu于2014年发表在《国际计算机视觉期刊》中的109卷第74-93页的论文《低秩约束条件下的广义转移预设子空间学习》)，提供了一种基于低秩表示的预设子空间迁移方法(简称LTSL方法)，LTSL方法的数据转换原理图如图1所示：源域训练数据XS和目标域训练数据XT经训练获得一个转换基W，源域数据和目标域数据经转换基W映射到预设子空间(预设子空间指的是通过投影，实现高维特征向低维空间的映射，尽量保证不丢失信息，这是一种常用的降维思想，在这个预设子空间训练数据时，可以有效防止过拟合)，在预设子空间内，源数据WXS通过低秩Z可以使得和目标域数据WXT分布一致，即同类经过映射更靠近，从而实现分类。存在的预设子空间学习方法(例如，主成分分析(PCA)，线性判别分析(LDA)，局部保持投影(LPP)等)，被用来学习预设子空间投影W，在预设子空间中，源数据WXS通过低秩表示(LRR)用来重建目标数据WXT(因目标数据WXT是存在的，WXS是通过低秩表示来逼近的)。LTSL解决预设子空间转移问题，是通过如下最小化目标函数实现的(即：找到一组W，Z，E的值，使得该式子的值达到最小)：minW,Z,EF(W,XS)+λ1rank(Z)+λ2||E||2,1]]>s.t.WTXT＝WTXSZ+E,WTU2W＝I式中，rank(.)表示矩阵的秩，||E||2，1表示-范数，并且λ1和λ2是正则化系数。表达式||E||2，1是用来激励E的误差列为0，因此噪声或异常源域在适应的过程中可以被删除。然而rank(Z)的最小值往往可以的用低等级结构找到一个重建系数矩阵。F(W，XS)是一个广义的预设子空间学习函数，它可写成Tr(WTU1W)，U1和U2是由预设子空间学习模式来选择的，学习模式如PCA或LDA。W是一种预设子空间学习表示形式，学习模式有PCA或LDA；Z是低秩表示。当预设子空间学习模式选定时，W固定，采用非精确的增广拉格朗日乘子法求解上式以获得Z、E。该基于低秩表示技术，对知识适应性提供了一个较完整的理论和空间分析，但只在满足预设子空间独立并且具有充足数据的条件下，LTSL的性能表现良好。实际上，预设子空间独立和数据量充足是很难满足的，所以基于低秩表示的预设子空间迁移方法的准确度较低。
技术实现思路
本专利技术所要解决的技术问题就是提供一种基于稀疏预设子空间迁移的图像分类方法，它能提高图像数据在预设子空间迁移的准确度。本专利技术所要解决的技术问题是通过这样的技术方案实现的，它包括有以下步骤：步骤1、输入源域样本和目标域样本计算原始数据XS1是源域的第一个样本、是源域的第NS个样本、XT1是目标域的第一个样本、是目标域的第NT个样本；步骤2，计算KT和K由式KT＝XTXT和K＝XTX分别求解出KT和K；步骤3，求出K的特征值分解由式K＝VSVT求解出K的特征值分解；V为特征向量构成的矩阵，S的对角线上元素为特征向量所对应的特征值；步骤4，初始化特征向量Φ由式Φ：＝V(：，v)取V的前d个最大特征值对应的特征向量，式中v为V的前d个最大特征值所对应的特征向量；步骤5，更新Z将Φ固定，使用ADMM方法，更新以下式(8)中的Z：minZ||Z||1+λ1||ΦTKT-ΦTKZ||F2s.t.1NS+NTTZ=1NTT---(8)]]>式(8)中，Z为稀疏矩阵，λ1表示权衡参数，表示长度为NS+NT的非零列向量，表示长度为NT的非零列向量；步骤6，更新Φ将Z固定，使用特征值分解的方法，更新以下式(13)中的Φ：minΦλ1||ΦTKT-ΦTKZ||F2+λ2||X-XΦΦTK||F2s.t.ΦTKΦ=I---(13)]]>步骤7，检查收敛性情况若仍然不收敛，则重复步骤5和步骤6；若收敛，则输出Φ和Z的值；步骤8，由P*＝ΦTXT得映射P*，计算源域数据XS映射到预设子空间的值MS，MS＝P*XS；步骤9，利用映射P*，计算标记的目标训练数据XTl映射到预设子空间的值MTl,MTl＝P*XSZ；MTl＝P*XSZ表示源域数据经P后通过稀疏矩阵Z向目标域转换；步骤10，计算未被标记的目标测试数据XTu映射到预设子空间的值MTu，MTU＝P*XTu步骤11，基于标记的训练数据[MS,MTl]和它们对应的标记，利用二范数正则最小二乘方法训练一个分类器W；步骤12，通过计算判决函数对未被标记的目标测试数据进行类别判别。本专利技术的技术效果是：提高了图像数据在预设子空间迁移的准确度。附图说明本专利技术的附图说明如下：图1为
技术介绍
的LSTL方法的数据转换原理图；图2为本专利技术的数据转换原理图；图3为数据验证的源域和目标域的三维分布图；图4为图3的数据经本专利技术转换后的二维预设子空间分布图；图5为一个受试者的样本图像。具体实施方式下面结合附图和实施例对本专利技术作进一步说明：本专利技术的原理是：如图2所示的数据转换中，在原始空间中，由一个预先定义的基础转换P，将目标域训练数据XT通过基础转换P映射到预设子空间得到目标数据PXT，将源域训练数据XS通过基础转换P映射到预设子空间得到PXS，由于本专利技术通过源域和目标域数据P[XS,XT]来对目标数据进行重建，因此把P[XS,XT]又统一称为源域数据，然后利用源域数据P[XS,XT]通过稀疏矩阵Z转换，与PXT在预设子空间内共享分布。源域数据P[XS,XT]通过稀疏矩阵Z转换与目标域数据PXT在预设子空间内共享分布，那么稀疏子空间迁移优化的数学模型为：minZ||PXT-P[XS,XT]Z||22,s,t.||Z||0≤T0---(1)]]>式(1)中，T0是稀疏本文档来自技高网...

【技术保护点】
一种基于稀疏预设子空间迁移的图像分类方法，其特征是，包括以下步骤：步骤1、输入源域样本和目标域样本计算原始数据XS1是源域的第一个样本、是源域的第NS个样本、XT1是目标域的第一个样本、是目标域的第NT个样本；步骤2，计算KT和K由式KT＝XTXT和K＝XTX分别求解出KT和K；步骤3，求出K的特征值分解由式K＝VSVT求解出K的特征值分解；V为特征向量构成的矩阵，S的对角线上元素为特征向量所对应的特征值；步骤4，初始化特征向量Φ由式φ：＝V(：，v)取V的前d个最大特征值对应的特征向量，式中v为V的前d个最大特征值所对应的特征向量；步骤5，更新Z将Φ固定，使用ADMM方法，更新以下式(8)中的Z：minZ||Z||1+λ1[||ΦTKT-ΦTKZ||F2s.t.1NS+NTTZ=1NTT---(8)]]>式(8)中，Z为稀疏矩阵，λ1表示权衡参数，表示长度为NS+NT的非零列向量，表示长度为NT的非零列向量；步骤6，更新Φ将Z固定，使用特征值分解的方法，更新以下式(13)中的Φ：minΦλ1||ΦTKT-ΦTKZ||F2+λ2||X-XΦΦTK||F2---(13)]]>s.t.ΦTKΦ＝I步骤7，检查收敛性情况若仍然不收敛，则重复步骤5和步骤6；若收敛，则输出Φ和Z的值；步骤8，由P*＝ΦTXT得映射P*，计算源域数据XS映射到预设子空间的值MS，MS＝P*XS；步骤9，利用映射P*，计算标记的目标训练数据XTl映射到预设子空间的值MTl,MTl＝P*XSZ；MTl＝P*XSZ表示源域数据经P后通过稀疏矩阵Z向目标域转换；步骤10，计算未被标记的目标测试数据XTu映射到预设子空间的值MTU，MTU＝P*XTu步骤11，基于标记的训练数据[MS,MTl]和它们对应的标记，利用二范数正则最小二乘方法训练一个分类器W；步骤12，通过计算判决函数对未被标记的目标测试数据进行类别判别。...

【技术特征摘要】
1.一种基于稀疏预设子空间迁移的图像分类方法，其特征是，包括以下步骤：步骤1、输入源域样本和目标域样本计算原始数据XS1是源域的第一个样本、是源域的第NS个样本、XT1是目标域的第一个样本、是目标域的第NT个样本；步骤2，计算KT和K由式KT＝XTXT和K＝XTX分别求解出KT和K；步骤3，求出K的特征值分解由式K＝VSVT求解出K的特征值分解；V为特征向量构成的矩阵，S的对角线上元素为特征向量所对应的特征值；步骤4，初始化特征向量Φ由式φ：＝V(：，v)取V的前d个最大特征值对应的特征向量，式中v为V的前d个最大特征值所对应的特征向量；步骤5，更新Z将Φ固定，使用ADMM方法，更新以下式(8)中的Z：minZ||Z||1+λ1[||ΦTKT-ΦTKZ||F2s.t.1NS+NTTZ=1NTT---(8)]]>式(8)中，Z为稀疏矩阵，λ1表示权衡参数，表示长度为NS+NT的非零列向量，表示长度为NT的非零列向量；步骤6，更新Φ将Z固定，使用特征值分解的方法，更新以下式(13)中的Φ：minΦλ1||ΦTKT-ΦTKZ||F2+λ2||X-XΦΦTK||F2---(13)]]>s.t.ΦTKΦ＝I步骤7，检查收敛性情况若仍然不收敛，则重复步骤5和步骤6；若收敛，则输出Φ和Z的值；步骤8，由P*＝ΦTXT得映射P*，计算源域数据XS映射到预设子空间的值MS，MS＝P*XS；步骤9，利用映射P*，计算标记的目标训练数据XTl映射到预设子空间的值MTl,MTl＝P*XSZ；MTl＝P*XSZ表示源域数据经P后通过稀疏矩阵Z向目标域转换；步骤10，计算未被标记的目标测试数据XTu映射到预设子空间的值MTU，MTU＝P*XTu步骤11，基于标记的训练数据[MS,MTl]和它们对应的标记，利用二范数正则最小二乘方法训练一个分类器W；步骤12，通过计算判决函数对未被标记的目标测试数据进行类别判别。2.根据权利要求...

【专利技术属性】
技术研发人员：张磊，邓平聆，王珊珊，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆;50