[发明专利]一种自适应多特征融合的图像特征学习方法

说明书

技术领域

本发明涉及稀疏表达，图学习，特征学习，尤其涉及多特征融合的图像特征学习。

背景技术

在计算机视觉、模式识别和信息检索领域中，由于不可避免地面临着语义鸿沟问题，即底层特征无法充分准确地表达高层语义信息；因此，为了尽可能全面准确地表达所要描述的对象，常会对该对象提取多种类型的视觉特征，从不同视角来对其进行表达。例如：在图像分类中，对彩色图像常会提取其颜色直方图特征、轮廓矩特征、纹理特征、sift点特征等。与传统的基于单类型特征表达对象不同，这些特征数据，分布在不同的特征空间中，具有其内在统计特性和现实物理意义，其表达能力（或辨别能力）也存在差异性。为了充分利用不同特征的特性，加速算法处理，常常需要依据这些多特征进行多特征学习，得到最优的低维特征表达。

研究者们希望通过利用多特征学习充分发掘出不同特征间的互补信息，从而得到一个比直接利用单特征学习更加好的低维嵌套结果。在已有的算法中，谱嵌套算法具有非常重要的地位。然后，传统的谱嵌套算法都是假设数据是分布在同一个向量空间中，因而无法直接应用到多特征学习中。目前存在的解决办法有两个：一个是将不同的特征先拼接起来，然后进行谱嵌套学习。显然这种做法缺乏明确的物理意义支持。另外一种做法是使用分布式谱嵌套学习（DSE）算法，对不同的特征分别进行学习。然而这种方法中原始的多特征数据对于最终的学习过程是不可见的，无法充分有效地利用不同特征间的互补信息。在Long等人提出的多特征学习通用模型的影响下，Xia等人提出了一个多特征谱嵌套算法，同时在不同特征学习得到一个低维的、足够平滑的嵌套，从而充分有效地利用不同特征间的互补信息。

然而，由于绝大部分多视角学习算法都是基于谱图理论发展而来的，其算法的一个核心部分是利用各种准则构建表达数据间空间结构关系的邻接矩阵（相似矩阵）。邻接矩阵的构造算法的有效性对于整个算法的性能起到至关重要的作用。目前广泛使用的两种邻接矩阵构建方法：基于K近邻和基于热核（heat kernel）的构图方法，都不是数据自适应的构图方法。前者需要预先设置近邻节点数目k，而后者需要设置核参数。在实际应用中，这两个参数的设置往往是凭借经验或者是利用交叉验证的方式来选择最佳的参数，缺乏简单直接的方法来获得最佳参数。与此同时，这类基于图的算法，对于这两个参数的选择有时又是非常敏感的。参数选择的好坏直接影响到算法的性能。因此，前面所提到的几个已有工作都受到缺乏数据自适应性问题的困扰。如何构建具有数据自适应性的图，提高算法的自适应性，是一个迫切需要解决的问题。

近些年来，L1范数在稀疏表达和压缩感知研究领域中受到广泛关注。不同于传统的L2范数约束，L1范数约束可以使得问题的解变得稀疏，具有更强的抗噪能力。根据Cheng等人的研究表明，L1图具有三个重要特性：（1）抗噪声能力强；（2）稀疏性；（3）数据自适应的邻域关系。

承上所述，为了克服传统的基于图的多特征学习算法自适应性差的问题，本文所提出的自适应多特征融合的图像特征学习方法是依据L1范数具有自动数据样本选择的特性，首先从图像上分别提取多种类型的图像视觉特征，接着对每一种视觉特征分别采用L1范数约束的数据稀疏表达，构建有向L1图，将L1图所具有的优良特性融入到多特征学习算法中，并最下化各种特征下的数据在低维空间上的重建误差，其次引入特征权重向量对所有特征做全局坐标对齐操作，得到自适应多特征融合的图像特征选择方法的目标函数，最后优化求解该目标函数，可以自适应地从原始多种图像特征基础上学习得到图像最优的低维特征表达。

发明内容

本发明的目的是克服现有技术的不足，提出一种自适应多特征融合的图像特征学习方法。

自适应多特征融合的图像特征学习方法在于包括如下步骤：

1)从N幅图像上分别提取K种类型的图像视觉特征其中为第i幅图像上所提取的第v种类型的视觉特征；

2)依据L1范数具有自动数据特征选择的特性，对每一种视觉特征分别采用L1范数约束的数据稀疏表达：