[发明专利]一种基于非负低秩和半监督学习的图像识别方法及装置

说明书

本发明提供了一种基于非负低秩和半监督学习的图像识别方法及装置，首先获取图像数据集，数据集包括标记数据和未标记的数据，然后根据高斯场和调和函数与低秩表示函数得到目标函数，且对低秩表示函数的系数进行非负约束，将目标函数转化为拉格朗日函数，对拉格朗日函数中的各变量及拉格朗日乘数、惩罚因子进行更新；不断进行迭代更新直至结束，输出图像数据集的标签矩阵，根据标签矩阵对测试数据进行分类识别。本发明将半监督学习和低秩表示相结合，能够将全局结构信息和局部结构信息都得到很好的利用，且可以有效地消除或减轻样本的腐败，并且对噪声具有很好的鲁棒性，无论训练样本或测试样本是否被损坏，均可以获得很好的分类性能。

技术领域

本发明属于图像处理技术领域，特别涉及一种基于非负低秩和半监督学习的图像识别方法及装置。

背景技术

生物识别技术仍然是计算机视觉和人工智能研究热点之一。因为人脸识别是简单的、非接触的，所以在过去的几十年中它得到了广泛的研究。然而由于其维度高，到现在人脸识别仍然是一个难题。可以看到在处理高维数据时，时间和内存的消耗是不被允许的，而这些数据通过现有的一些算法很难进行处理。降维可以获得高维数据的高效低维表示，这有助于计算、分类、存储和可视化。因此，很多降维的算法被提出。最经典的线性降维算法是PCA和LDA。PCA是一种无监督的降维方法，它不使用观察数据的类别(标签)信息。LDA是一种利用类别(标签)信息进行特征提取的监督方法，这种方法有助于分类识别任务。如果有足够的标记数据可用，则监督方法的识别性能通常优于无监督方法。

图像数据通常存在于隐藏在原始高维图像空间中的非线性低维子流形空间中。然而，观测数据的内在非线性结构通常难以用线性降维方法正确地发现。为了揭示图像数据的基本非线性流形结构，已经提出了许多非线性流形学习算法。局部线性嵌入(LLE)，ISOMAP和拉普拉斯特征映射是三个最有代表性的流形学习算法。这几种方法可以有效地揭示数据的本质结构，获得令人满意的效果。然而这些方法往往会遇到所谓样本外问题，也就是说，这些方法中没有投影矩阵可以用。当有一个新的图像数据时，必须重新训练所有的图像样本。这是非常耗时的，因此这些方法不适合实时识别和分类。为了解决这个问题提出了许多改进的流形学习算法，提出了基于补丁对齐的流形学习框架，包括局部优化和整体对齐两个阶段。

近年来，利用低秩恢复技术从损坏的观测数据矩阵中提取完全地基本低秩数据矩阵，这项技术引起了越来越多研究者的关注。通常会在图像聚类中遇到两个问题：如何将来自不同子空间的样本正确聚类到各自的子空间中，以及如何消除潜在的离群值。为了解决这两个问题，提出了一个低秩表示方法(LRR)，在低秩表示法中，所有观测数据的最低秩表示可以通过解决核范数优化问题来获得。以上的研究表明，LRR中的非负约束不仅让人们获得可说明的表示系数，而且可以得到完美的结果。为了发现数据的基本结构，提出了一种非负低秩稀疏图算法(NNLRS)，可以捕获全局结构信息和局部结构信息。卢晓清等人提出了一种低秩表示去除图形正则化的方法，这可以有效地消除条纹噪声的影响。徐勇等人提出了一种基于低秩稀疏表示的判别转移子空间学习方法，解决了无监督域转移学习问题。为了充分利用数据的几何结构，又提出了一种多重低秩表示算法(MLRR)，由于在监督学习方法中使用类标记信息，它们通常比无监督学习方法更好。但在实际应用中，只有少量的标记数据。这是因为收集和整理标记数据需要大量的时间。然而，现实生活中仍然存在大量可以轻松获得的未标记数据。为了充分利用有限的标记数据和丰富的无标记数据进行分类识别，提出了许多半监督算法，在半监督学习中，通常很少研究图形构造。为了解决这个问题，有人提出了一种半监督学习算法，在这种算法中，能够将样本图像的局部结构信息得到很好的保存。但是该算法不能未考虑样本图像的全局结构信息，因此造成了对样本图像的识别性能比较低。

发明内容

本发明的目的在于提供一种基于非负低秩和半监督学习的图像识别方法及装置，用于解决现有技术中的图像识别方法未同时考虑图像的全局结构信息和局部结构信息的问题。

为实现上述目的，本发明提供了一种基于非负低秩和半监督学习的图像识别方法，包括以下技术方案：