1.一种结构化多视图Hessian正则化稀疏特征选择方法,其特征在于,包括以下步骤:
1)采集n个原始图像的底层视觉特征,得到m个视图图像特征矩阵,其中,所述m个视图图像特征矩阵为:
在所述公式(1)中,所述dv为第v个视图图像特征维度;所述Xv为第v个视图图像特征矩阵,且在所述公式(2)中,x1v,x2v…,xlv为所述n个原始图像中第v个视图下l个有标签图像的特征向量,xl+1v,…,xnv为所述n个原始图像中第v个视图下n-l个无标签图像的特征向量;
2)设步骤1)所述X的特征选择映射矩阵为变量G,且:在所述公式(3)中,所述c为所述n个原始图像的标签的类别数;
构建结构化多视图Hessian正则化稀疏特征选择的目标函数:在所述公式(4)中:
为结构化多视图稀疏限定,其中,λ和γ均为正则化系数;
为所述G的G1范数, 为所述G的l2,1/2矩阵范数,gi'=[g1i' … gci']∈R1×c,1≤i'≤d,
H为多视图Hessian,
在公式(4)和(5)中,Hv为第v个视图Hessian;变量F为所述n个原始图像的预测标签矩阵, 为多视图Hessian正则化;ηv为多视图Hessian正则化中第v个视图Hessian的权重;所述ε为ηv的指数,ε>1;
为损失函数;
μ为正则化系数;
Y=[y1,y2…,yl,yl+1,…,yn]T∈{0,1}n×c为所述n个原始图像的标签矩阵;
对角矩阵U∈Rn×n为根据所述X确定的决策规则矩阵,U=(Ui”i”)n×n,1≤i”≤n,当1≤i”≤l时,对角元素为Ui”i”=∞,当l<i”≤n时,对角元素为Ui”i”=1;
3)通过迭代算法计算所述X的特征选择映射矩阵G,设Gs为在该次迭代时G的取值,ηvs为在该次迭代时ηv的取值,s=1,2,……,t-1;设G1为随机矩阵且ηv1=1/m,将G1和ηv1作为初始值代入所述迭代算法中进行迭代计算,直至第t-1次迭代后,该第t-1次迭代所对应的目标函数的值与第t-2次迭代所对应的目标函数的值的差小于10-3时,迭代完成;此时,根据(gi)t确定特征选择映射矩阵Gt即为所述X的特征选择映射矩阵G;其中,每次迭代算法的计算过程为:
将ηvs代入至所述公式(5),得到在该次迭代时H的取值Hs,将Gs和Hs代入相应的公式(6)和(7)计算得到Ps和Qs;
-1
Ps=(Hs+U+μI) (6)Qs=UY+μXTGs (7)根据公式(8)、(9)和(10)计算得到Fs、As和Bs,Fs为在该次迭代时F的取值;
Fs=PsQs (8)
2 T T
As=X(μI-μPs)X (9)Bs=μXPsUY (10)其中,在公式(6)中所述I为单位矩阵;
根据公式(11)和(12)计算得到对角元素为(wi'i')s的对角矩阵Ws和具有j个对角块的块对角矩阵(Di)s(1≤i≤c);
其中,
在所述公式(12)中,Ij是维度为j*j的单位矩阵;
将As、Bs、Ws和(Di)s代入所述公式(13),得到(gi)s+1;
(gi)s+1=(As+4λWs+γ(Di)s)-1Bs,1≤i≤c (13)计算
4)根据步骤3)所得特征选择映射矩阵Gt,将 进行降序排列,选取前ds个 对应于所述X的特征作为特征选择后的特征子集,其中, 为步骤
3)所得Gt所对应的gi′。
2.根据权利要求1所述的结构化多视图Hessian正则化稀疏特征选择方法,其特征在于,在所述步骤1)中,所述底层视觉特征包括:颜色相关图、小波纹理和边缘方向直方图。
3.根据权利要求1所述的结构化多视图Hessian正则化稀疏特征选择方法,其特征在于,所述λ和γ的取值范围均为[10-5,105]。
4.根据权利要求1所述的结构化多视图Hessian正则化稀疏特征选择方法,其特征在于,所述μ的取值范围为[10-5,105]。
5.根据权利要求1所述的结构化多视图Hessian正则化稀疏特征选择方法,其特征在于,在所述步骤2)中,Fv为第v个视图的预测标签矩阵,Fv∈Rn×c。