[发明专利]基于多任务学习的动态纹理识别方法

说明书

技术领域

本发明涉及的是一种计算机模式识别技术领域，具体地说，涉及的是一种基于多任务学习的动态纹理识别方法。

背景技术

近几年来，稀疏表示在模式识别中受到广泛的关注。文献(J,Wright,A, Y,Yang,A,Ganesh,S,S,Sastry,Y,Ma,Robust Face Recognition via Sparse Representation,IEEE Transactions on Pattern Analysis and Machine Intelligence,2009,31(2),210–227.)提出了用稀疏表示来做人脸识别，并且与最近邻和支持向量机识别方法做了比较。从实验结果来看，稀疏表示比最近邻和支持向量机更好的对人脸识别，并且在噪声和遮挡的情况下，也能够取得较好的识别率。稀疏表示成功的用于图像识别，目标跟踪，图像去噪和图像超分辨率等应用上。

稀疏表示的基本原理如图2所示，假定有M类，每类有n_i (i＝1，2，...，M)个训练样本。对第k类的第i个样本，用特征h_kj代表。令所有的训练特征组成一个字典X。对每个测试样本y∈Rⁿ，可以表示为所有字典的线性组合，可以表示为：

其中系数w_ij∈Rⁿ。可以把公式(1)写成下面矩阵形式：

Y＝XW(2)

其中Y＝[y₁…y_n]，T表示转置运算。测试样本可以近似的由同类的样本表示，因此W中除了同类相关的系数外其它系数全为零。因此w是一个稀疏模型。这样，这种识别问题可以表示为

然而l₀范数的计算是很复杂的。而已经证明，在满足一定约束下，l₀范数最小化问题和l₁范数优化问题等价，而大部分情况下，都可以满足约束。因此，公式(5.3)可以表示如下

其中

从上述的识别方法可以看出，它是单独对每个特征学习，得到的只是单个特征的信息。近些年来，多任务学习开始在机器学习领域受到越来越多的关注，即同时对多个相关任务学习，从而获得比单任务学习更好的学习结果。我们知道，通过对多个任务一起学习，可以通过多个特征之间的关系，从而得到更好的识别效果。多任务学习方法也是从人类的学习过程中模仿出来的。比如我们在识别一个场景时，即可以通过场景中的一个主要特征，将场景识别出来，也可以通过多个特征来对场景识别。而且多个特征往往会很有效果。特别是由于图片数据，视频数据的涌现，我们要对浩如烟海的大数据学习，然后才能更好的识别。比如在消费者购物的时候，我们可以通过几个月甚至几年时间内，消费者采购物品的相关性分析，从而更好的对消费者服务。比如早上购买鱼肉的消费者很多，而且70％会同时购买鱼类相关食品，而下午购买水果的消费者较多，而且80％会购买青菜等等，这些可以让商家优化采购时间和采购种类。在视频跟踪中，如果对单个的跟踪轨迹研究，有用信息不多。而对某个视频区域或者某几个视频区域的轨迹研究，我们可以得到人们走路的路径，可以对人群流动趋势做出预测，知道人们的生活习惯，人群聚集和分流的地点。这些在人群密集时的公共安全，城市规划方面都有着相当重要的作用。针对这一问题，研究者提出多任务学习的方法，即同时考虑多个数据一起学习。这样的学习效率更高，而且不单是矩阵是稀疏的，而且是具有组稀疏的形式，即矩阵系数中的某一行或者某一列是稀疏的。

发明内容

为解决上述技术问题，本发明的目的是提供一种识别率高、运算成本低的基于多任务学习的动态纹理识别方法。

为达到上述发明目的，本发明基于多任务学习的动态纹理识别方法，包括：

计算每个视频中每个像素点位置的混沌特征向量，其中混沌特征向量 F＝[τ，m，Di，me an]，其中D是信息维数，τ和m分别是嵌入延迟和嵌入维数，me ar 代表像素时间序列的平均值；

基于用词袋模型对视频建模，得到直方图特征；

将总模型W分解为组稀疏模型部分l_1，∝和元素稀疏部分l_1.1，组稀疏模型部分得到多任务之间的共性特征，而元素稀疏模型则是获取各个特征的个性部分，用ADMM算法计算。