[发明专利]一种基于广义均值典型相关分析的图像识别方法

摘要

本发明公开了一种基于广义均值的鲁棒典型相关分析算法，主要解决基于欧氏距离的传统典型相关分析算法对野值点非鲁棒的问题，以及高维小样本引起样本协方差奇异问题。实现过程为：(1)输入必要的参数，并且对训练样本进行中心化处理；(2)求解传统典型相关分析的两组投影集；(3)基于广义均值重构模型的目标优化函数，以抑制野值点对目标函数的影响；(4)用线性迭代方法求解目标函数，其中使用传统典型相关分析的两组投影集进行初始化；(5)将求得基于广义均值的典型相关分析的两组投影集用于样本的特征抽取和降维。在多特征手写体数据库(MFD)、人脸数据库(ORL)和对象图像数据库(COIL‑20)上的实验结果验证了该算法的有效性。

主权项

1.一种基于广义均值典型相关分析的图像识别方法，包括以下步骤：(1)图像样本收集；(2)输入一组大小为N的样本集x_i,y_i表示第i个样本的两幅图像；广义均值的参数p，内部迭代总次数T₁和T₂，外部迭代总次数T，降维后特征的维数d；(3)首先，计算样本集X＝(x₁,x₂,...,x_N)与Y＝(y₁,y₂,...,y_N)的中心值：并用和中心化X和Y：为了统一性，将中心化后的和仍记为X＝(x₁,x₂,...,x_N)与Y＝(y₁,y₂,...,y_N)；(4)获取传统的典型相关分析(Canonical correlation analysis,CCA)的两组投影集和CCA是寻找两组样本集X和Y的投影向量和使得在投影空间中着两组样本集的特征具有最大的相关性，其准则函数如下所示：上式(0)转化为如下的两个本征特征值问题：并且w_x和w_y具有如下的等式关系：S_xyw_y＝λS_xxw_x,S_yxw_x＝λS_yyw_y最后选取最大的前d个本征特征值所对应的特征向量组合成两组投影集和(5)假设p≠0，对于一个标量数据集{a_i＞0,i＝1,2,...,N}的广义均值M_G定义为如下：且定义如下所示的投影空间中样本之间的相关误差e(W_x,W_y)：结合上述的广义均值和相关误差，构建如下基于广义均值的鲁棒典型相关分析(CCA based on generalized mean,GMCCA)的目标优化函数：求解上述的目标优化函数，得出W_x和W_y；取W_x和W_y得前d列组成GMCCA的两组投影集和(6)利用步骤(5)求得的和对原始样本进行特征抽取并降维：将和用于接下来的模式识别任务；(7)利用最近邻分类器完成图像的识别任务。