[发明专利]一种用于高维图像数据的自主子空间聚类方法

说明书

本发明提供一种用于高维图像数据的自主子空间聚类方法，包括获取高维图像数据，基于自主学习正则化项，通过求解样本权重的优化问题来学习样本的权重；通过带权重的自表示模型求自表示系数；利用自表示系数建立样本的相似度图；基于样本的相似度图进行谱聚类；检验收敛条件，若不满足则返回，若满足则流程终止，得到最终的自主子空间聚类结果。该方法将自主学习与子空间聚类进行融合，通过一种新的自主正则化项来对样本进行权重调整，有效的改善了子空间聚类模型的局部最优解，从而提升子空间聚类的性能。

技术领域

本发明属于计算机视觉领域，具体涉及用于高维图像数据的一种自主子空间聚类方法。

背景技术

高维数据遍及于很多计算机视觉应用，如人脸聚类、运动分割等，这些数据通常位于多个低维子空间中，如何找出这些数据相应的子空间？这是一个具有挑战性的问题。从高维数据集中恢复出潜在的低维子空间结构有助于减少计算代价，算法的内存需求和噪声或异常物。因此，解决这个问题具有重要意义。子空间聚类是一个流行的方法，近些年有大量的工作涌现，但大多数是基于自表示模型来建模的。基于自表示模型的方法具有一定的可解释性，例如，Elhamifar,Ehsan和Rene Vidal于2013年在著名的模式识别与机器智能期刊IEEE Transactions on Pattern Analysis and Machine Intelligence上发表名为“Sparse subspace clustering:Algorithm,theory,and applications”的论文，解释了自表示模型挖掘潜在子空间的可行性，为子空间聚类提供了一个比较好的建模方法，但这种方法依赖于下面两个假设之一：

1)子空间独立性。

2)子空间的不相交性。

然而，在实际应用中，这二者往往很难满足。最近，基于相似度和子空间聚类的联合框架收到关注，例如Chun-Guang Li,Chong You和Rene Vidal于2017年发表在图像处理顶级期刊IEEE Transactions on Image Processing上的名“Structured SparseSubspace Clustering:A Joint Affinity Learning and Subspace ClusteringFramework”的文章。然而这些方法都利用了自表示模型，但是都忽略了它所依赖的假设在实际中很难成立的事实，因此需要一种适用范围更广的子空间聚类方法。

发明内容

为了解决上述技术问题，本发明提供了一种用于高维图像数据的自主子空间聚类方法，通过自主学习与子空间聚类融合，使得子空间聚类能适应更松的假设：

1)部分子空间独立。

或者

2)部分子空间不相交性。

本发明所采用的技术方案为一种用于高维图像数据的自主子空间聚类方法，包括以下步骤：

步骤1，获取高维图像数据，基于自主学习正则化项，通过求解样本权重的优化问题来学习样本的权重；

步骤2，通过带权重的自表示模型求自表示系数；

步骤3，利用自表示系数建立样本的相似度图；

步骤4，基于步骤3所得样本的相似度图进行谱聚类；

步骤5，检验收敛条件，若不满足则返回步骤1，若满足则流程终止，得到最终的自主子空间聚类结果。

而且，步骤1中，求解样本权重的优化问题如下，