1.一种融合协同表达最近邻距离与黎曼流形的图像集识别方法,其特征在于,包括以下步骤:S1:获得训练图像集
S2:对训练图像集利用最近邻距离进行欧式空间尺度建模;
S3:对训练图像集进行Grassman流形尺度建模;
S4:对训练图像集进行SPD流形尺度建模;
S5:将不同空间上的尺度映射到统一的希尔伯特空间,再通过学习马氏距离矩阵获得融合后的距离度量公式;
S6:通过核方法学习能够最大化类间散度和最小化类内散度的马氏距离矩阵,得到图像集之间的最优相似度度量;
所述步骤S2使用正则化仿射包协同表达法和核的正则化仿射包协同表达法对所述训练图像集之间的最近邻欧氏距离进行建模;
所述正则化仿射包协同表达法具体包括以下内容:使用字典学习对所述训练图像集进行稀疏表达,得到一个由少数图像组成的图像集合Di,所有经过压缩的图像集为:其中N是所述训练图像集的个数,记测试图像集为Xte,建立最优函数:其中α和β是两个待优化参数向量.ρ1和ρ2是约束参数,τ为决定该模型凸包形式的参数,τ≤1,nq和nD分别是测试图像集Xte与所有训练图像集的稀疏表达集合D中的图像数目,lp是范数数,使用RH-ISCRC方法中的l1范数进行正则化;使和以避免α=0和β=0的极端情况;使用拉格朗日乘子法,得到所述最优函数的对偶形式:其中λ1和λ2是两个拉格郎日乘子;使用交替法实现参数优化:首先固定参数α,更新β的最优值,然后固定β,更新α的最优值;其中最优值通过l1-minimization正则化的LARS算法进行优化,β=[β1,…,βN]T中每个子向量βi对应系数集合Di,记最优值为和通过公式:求得测试图像集Xte到第i个训练图像集之间的最近邻距离;用线性核得到映射效果:其中kl(·)是线性核函数。
2.根据权利要求1所述的融合协同表达最近邻距离与黎曼流形的图像集识别方法,其特征在于,所述核的正则化仿射包协同表达法具体包括以下内容:由Gaussian映射函数得到该模型目标函数的对偶形式,并采用l2范数正则化项:优化过程使用交替法,求解上述目标函数得到最优参数和其中β=[β1,…,βN]T对应训练集中的每个图像集的最优参数;使用高斯核函数计算得到测试图像集Xte与第i个训练图像集在高维空间中的最近邻距离
3.根据权利要求2所述的融合协同表达最近邻距离与黎曼流形的图像集识别方法,其特征在于,所述最近邻距离在映射后的高维希尔伯特空间中的内积表达式为:
4.根据权利要求1所述的融合协同表达最近邻距离与黎曼流形的图像集识别方法,其特征在于,所述步骤S3具体包括以下内容:通过主元分析获得每个训练图像集Xi的线性子空间,从而组成Grassmann流形;训练图像集Xi的线性子空间使用其中的一个标准正交基表达,其中m是组成的Grassmann流形的维度,也是正交基中向量的个数d是图像集内每个图像的维度;其中,对于C个类别的N个训练图像集Xi,有N个标准正交基Y={Y1,Y2,...,YN}组成的Grassmann流形;通过定义Grassmann流形映射φgr:G→H,得到正交基集合Y在希尔伯特空间中的向量组表达:Φ(Y)=[φ(Y1),φ(Y2),…,φ(YN)]
定义Grassmann流形上两个样本点Y1,Y2的流形距离为:
通过所述流形距离计算得到相应的Projection核函数:
其中||·||F是Frobenius范数。
5.根据权利要求1所述的融合协同表达最近邻距离与黎曼流形的图像集识别方法,其特征在于,所述步骤S4具体包括以下内容:通过公式:得到训练图像集的协方差矩阵Zi;通过Zi=Zi+λI对Zi增加扰动使其为对称正定矩阵;N个训练图像集由N个协方差矩阵Z={Z1,Z2,…,ZN}组成SPD流形;通过LED距离函数:dLED(Z1,Z2)=||log(Z1)-log(Z2)||F
计算SPD流形上的距离度量方法,由所述LED距离函数推导其核函数公式:kLED(Z1,Z2)=tr[log(Z1)·log(Z2)]
其中,对称正定矩阵Z有特征分解公式:Z=UΣUT,其中log(Z)=Ulog(Σ)UT,tr(Zi)是求矩阵Zi的迹。
6.根据权利要求1所述的融合协同表达最近邻距离与黎曼流形的图像集识别方法,其特征在于,所述步骤S5具体包括以下内容:定义两个图像集之间的距离为:其中uq是第q个融合度量空间的权重,Q为不同融合度空间的数量且Q=3,φiq是第q个度量空间的第i个图像集在对应度量空间中映射到希尔伯特空间中的向量,P是要学习的马氏距离矩阵,由所述训练图像集学习得到;将P分解:P=WWT,将对P的学习转化为学习分解矩阵W,则两个图像集之间的距离改写为:
7.根据权利要求6所述的融合协同表达最近邻距离与黎曼流形的图像集识别方法,其特征在于,所述步骤S6具体包括以下内容:对公式:进行优化求取最优的W矩阵W*,通过公式:求得最优W*
其中
其中,Rw和Rb分别代表不同度量空间映射后的训练图像集的类内散度矩阵和类间散度矩阵;通过W与映射后的训练图像集的线性关系,得到W中的第h个列向量为:则公式:变形为:其中,
其中,是第q个融合空间中第i个样本与所有训练样本在映射后希尔伯特空间中的内积;公式:通过特征分解(R'w)-1R'b,并保留dz个最大特征值所对应的特征向量得到最优解: