[发明专利]基于特征谱正则化的逆近邻线性判别分析方法及装置

说明书

本发明公开了一种基于特征谱正则化的逆近邻线性判别分析方法及装置，包括，获取已分类的训练图像集合；根据训练图像集合计算邻内散度矩阵，对邻内散度矩阵进行特征分解得到特征向量和特征值；对邻内散度矩阵的特征值进行正则化形成多种加权函数，选择多个加权函数中的其中之一对特征向量进行加权处理得到加权特征向量，使用加权特征向量对训练图像集合中每个图像的像素值进行投影得到新的图像特征；根据新的训练图像集合特征计算总体散度矩阵。在逆近邻线性判别分析方法的基础上加入了特征谱正则化技术,从而避免普通线性判别分析中由于训练样本过少而导致的类内散度矩阵奇异,难以使用特征分解求取最优投影矩阵的问题。

技术领域

本发明涉及计算机领域，尤其是涉及一种基于特征谱正则化的逆近邻线性判别分析方法及装置。

背景技术

在使用LDA求解问题时候，当训练样本的数量非常少，而单个样本的维度过高，常常会造成类内散度矩阵不可逆[1]，也就是该矩阵是奇异的时候，LDA将难以求取最优解。这个问题也常被称为小样本量(SSS)问题[2]。在ccLDA[1]中，用簇内散度矩阵和簇间散度矩阵对类内散度矩阵和类间散度矩阵进行正则化，以解决SSS问题，但该方法适用于只有少量训练样本的情况。

[1]Yanwei Pang,Shuang Wang,and Yuan Yuan.Learning regularized lda byclustering.IEEE transactions on neural networks and learning systems,25(12):2191–2201,2014.

[2]Xudong Jiang,Bappaditya Mandal,and Alex Kot.Eigenfeatureregularization and extraction in face recognition.IEEE Transactions onPattern Analysis and Machine Intelligence,30(3):383–394,2008.

发明内容

本发明的目的在于提供一种基于特征谱正则化的逆近邻线性判别分析方法及装置，旨在解决基于特征谱正则化的逆近邻线性判别分析方法及装置。

本发明提供一种基于特征谱正则化的逆近邻线性判别分析方法，包括：

S1、获取已分类的训练图像集合；

S2、根据训练图像集合计算邻内散度矩阵，对邻内散度矩阵进行特征分解得到特征向量和特征值；

S3、对邻内散度矩阵的特征值进行正则化形成多种加权函数，选择多个加权函数中的其中之一对特征向量进行加权处理得到加权特征向量，使用加权特征向量对训练图像集合中每个图像的像素值进行投影得到新的图像特征；

S4、根据新的训练图像集合特征计算总体散度矩阵；

S5、对总体散度矩阵进行特征分解得到总体特征向量和总体特征值，对总体特征向量按照对应总体特征值进行降序排列,保留前若干个特征向量,得到降维矩阵；

S6、根据加权特征向量和降维矩阵构建总体投影矩阵，根据总体投影矩阵对训练图像集合进行投影得到降维后的图像特征；

S7、输入待分类图像，根据总体投影矩阵对待分类图像进行投影得到待分类图像特征，测量待分类图像特征与降维后的图像特征的最近距离，根据最近距离得到待分类图像的类别。

本发明还提供一种基于特征谱正则化的逆近邻线性判别分析装置，包括：

获取模块，用于获取已分类的训练图像集合；

计算分解模块，用于根据训练图像集合计算邻内散度矩阵，对邻内散度矩阵进行特征分解得到特征向量和特征值；