[发明专利]一种基于Lp+s范数的多视角鲁棒性图像识别方法

说明书

一种基于Lp+s范数的多视角鲁棒性图像识别方法，该方法基于LP范数最小化和LS范数最大化的鲁棒多视图广义特征值近端支持向量机(Lp，s‑MvGEPSVM)，结合多视图学习以及Lp+s范数度量，得到了较高的精度和良好的抗噪声能力。

技术领域

本发明属于模式识别技术领域，涉及一种基于Lp+s范数的多视角鲁棒性图像识别方法。

背景技术

广义特征值近端支持向量机(GEPSVM)是一种有效的针对二分类问题的分类工具，和传统的支持向量机(SVM)不同的是，通过求解两个广义特征值问题得到两个非平行的超平面，其中每个超平面尽可能接近相关类，并且在最大程度上远离另一个类，在图像分类，手写体识别，生物信息等领域有着广泛的应用，基于GEPSVM强大的可扩展性，近年来许多研究者在GEPSVM的基础上提出了很多改进的方法。而多视图学习机制作为近年来研究的热点，通过训练多模态数据集来提高学习性能。因为实际数据的复杂性和异构性，同一个对象往往会有不同的特征描述形式，例如同一张图片可以用颜色和纹理来分别表示，一个人的身份也可以用人脸和指纹来确定，这些不同模态的特征集通常是由不同的特征提取方法得到的。受到多视图学习的启发，Sun等人将多视图学习融入到GEPSVM中，提出了多视图广义特征近端支持向量机(MvGSVM)，通过引入多视图共正则项(co-regularization)，降低视图间的差异性，使得不同视图的一致性尽可能最大，取得了良好的分类性能。

然而，该方法仍然是基于传统的L2范数平方距离度量。在存在噪声的情况下，平方运算容易夸大噪声的影响，使得该算法的鲁棒性得不到保证。基于现实世界中大部分数据都会存在噪声，为了解决L2范数对噪声敏感的问题，很多研究者用L1范数代替L2范数并且取得了比L2范数优越的抗噪表现，例如L1-GEPSVM、L1-TWSVM、L1-LDA、L1-PCA等等。尽管L1范数取得了比L2范数更好的抗噪效果，但是在处理较大规模的野值或噪声时，表现不尽如人意，为了解决此问题，Lp范数被应用到了目标函数中，例如Kwak通过引入Lp范数最大化提出了Lp-PCA，此外，Ye更进一步的将Lp范数和Ls范数应用到LDA中，提出了FLDA-Lsp。

在实际图像识别中饱受连续和非连续噪声的混合影响，因此，如何提供一种适应各种噪声干扰的鲁棒性图像识别方法，是目前本领域技术研究人员亟待解决的问题。

发明内容

为克服上述现有技术中的不足，本发明目的在于提供一种基于Lp+s范数的多视角鲁棒性图像识别方法，该方法基于LP范数最小化和LS范数最大化的鲁棒多视图广义特征值近端支持向量机(Lp，s-MvGEPSVM)，结合多视图学习以及Lp+s范数度量，得到了较高的精度和良好的抗噪声能力。

为实现上述目的及其他相关目的，本发明提供一种基于Lp+s范数的多视角鲁棒性图像识别方法，包括以下步骤：

输入：原始数据矩阵A₁,A₂,B₁,B₂，其中分别表示第一个视角的正类和负类数据集，分别表示第二个视角的正类和负类数据集；初始化投影向量并且设置迭代次数值t＝1，参数p∈{0.1,0.2,...,1，.s∈{1.1,1.2,...,1.9,2}，δ∈{2ⁱ|i＝-10,-9,...,9,10}，ε∈{0.25,0.5,0.75,1}；

步骤一：计算第t次迭代的目标函数值λ^(t),φ^(t)；

步骤二：根据投影向量z求得对角矩阵D^(t),V^(t),U^(t)以及列向量k^(t)，根据ξ求得对角矩阵F^(t),Q^(t),O^(t)及列向量η^(t),定义

步骤三：求解