本發(fā)明涉及一種耦合判別局部塊對齊方法，屬于模式識別和機(jī)器學(xué)習(xí)的
技術(shù)領(lǐng)域：
。技術(shù)背景傳統(tǒng)的生物特征識別系統(tǒng)中，訓(xùn)練數(shù)據(jù)與測試數(shù)據(jù)往往處于相同數(shù)據(jù)域，并且數(shù)據(jù)往往都是在可控場景下獲得，受到周圍環(huán)境較小的影響。因此，傳統(tǒng)生物特征識別技術(shù)經(jīng)過幾十年的發(fā)展，取得了很好的識別效果，在可控場景下獲得廣泛應(yīng)用，例如人臉識別、指紋識別等技術(shù)。但是，在現(xiàn)實生活中，數(shù)據(jù)采集往往是在不可控場景下進(jìn)行的，且訓(xùn)練數(shù)據(jù)與測試數(shù)據(jù)往往是跨域的，這導(dǎo)致了傳統(tǒng)的生物識別系統(tǒng)在跨域生物特征識別中效果會明顯下降。耦合度量學(xué)習(xí)是指不同數(shù)據(jù)域之間通過距離度量耦合起來，訓(xùn)練一組線性映射矩陣，將不同數(shù)據(jù)域中數(shù)據(jù)映射到共同的子空間域，然后進(jìn)行分類識別?；隈詈隙攘繉W(xué)習(xí)思想的跨域生物特征識別研究起步較晚，但是近幾年發(fā)展迅速。2010年，Li等人首先提出耦合保持映射算法，并應(yīng)用于低分辨率人臉識別問題，將高分辨率人臉數(shù)據(jù)和低分辨率人臉數(shù)據(jù)映射到相同的子空間中，減小不同數(shù)據(jù)域特征之間的差異，取得了較好的識別效果；之后，Zhou等人受到耦合保持映射方法的啟發(fā)，在2011年引入判別思想提出同步判別分析，同樣應(yīng)用于低分辨率人臉問題，識別效果進(jìn)一步提高；2012年，Siena等人受到同步判別分析的啟發(fā)，在間距Fisher分析的思想上，提出耦合間距Fisher分析，它與同步判別分析具有相似的目標(biāo)函數(shù)，但是對投影后低維空間內(nèi)數(shù)據(jù)作出了不同的假設(shè)；Lei等人提出基于核空間的局部抑制耦合判別分析和基于核空間的耦合譜回歸算法，將核空間局部信息嵌入耦合判別分析中作為抑制因子提高廣義性能；2013年，Siena等進(jìn)一步提出跨域大邊距耦合映射，并將其應(yīng)用于人臉和眼睛識別，取得了不錯的識別效果；Ben等人同樣受到耦合保持映射方法的啟發(fā)，提出了基于核函數(shù)的耦合距離度量學(xué)習(xí)算法，在多姿態(tài)步態(tài)識別和低分辨率人臉識別兩個領(lǐng)域都取得了較好的識別效果。但是，已有的耦合度量學(xué)習(xí)方法都是基于整體樣本特征的，是基于直觀目的設(shè)計的目標(biāo)函數(shù)。技術(shù)實現(xiàn)要素：針對現(xiàn)有技術(shù)的不足，本發(fā)明提供一種耦合判別局部塊對齊方法?，F(xiàn)有技術(shù)中，挖掘這些不同耦合度量學(xué)習(xí)算法框架的共同屬性和內(nèi)在本質(zhì)差異能夠提供更多的判別信息，本發(fā)明提出了一種耦合判別局部塊對齊方法，包括局部優(yōu)化和整體對齊兩個階段，在局部優(yōu)化階段加入判別信息，并實現(xiàn)耦合，在整體對齊階段挖掘現(xiàn)有的耦合度量學(xué)習(xí)框架的共同屬性。本發(fā)明所提出的方法考慮了局部優(yōu)化，因此可以處理樣本分布的非線性問題；并且，本發(fā)明考慮了不同類之間近鄰測度，因此，可以保持各類之間的判別性能；最后，本發(fā)明所提方法不包括矩陣求逆，所以，該方法避免了小樣本問題。已有的耦合度量學(xué)習(xí)框架都是基于樣本整體特征的，是基于直觀目的設(shè)計的目標(biāo)函數(shù)，這些框架之間存在很多共同的屬性，同時也存在本質(zhì)的差異。本發(fā)明所述方法不僅保留了已有耦合度量學(xué)習(xí)算法的共同屬性，而且在局部優(yōu)化階段引入了判別信息，同時避免了小樣本問題。因此，該方法大大的提高了識別性能和算法的魯棒性。本發(fā)明的技術(shù)方案如下：一種耦合判別局部塊對齊方法，包括數(shù)據(jù)預(yù)處理、訓(xùn)練階段和測試階段；所述數(shù)據(jù)預(yù)處理：是指對兩組異構(gòu)數(shù)據(jù)分別通過主成分分析提取特征；所述訓(xùn)練階段，包括局部優(yōu)化和整體對齊；所述局部優(yōu)化：是指使某個樣本的k1個類內(nèi)最近鄰異構(gòu)樣本之間距離最小，使該樣本的k2個類間最近鄰異構(gòu)樣本之間的距離最大，提高判別性能；所述整體對齊：是指累加局部優(yōu)化結(jié)果，使得樣本整體的類內(nèi)距離最小，類間距離最大，獲得一組映射矩陣；所述測試階段，是指將異構(gòu)數(shù)據(jù)通過映射矩陣投影到一個共同的線性判別子空間，并通過最近鄰分類器進(jìn)行樣本分類識別。根據(jù)本發(fā)明優(yōu)選的，所述數(shù)據(jù)預(yù)處理包括具體如下：對兩組異構(gòu)數(shù)據(jù)進(jìn)行主成分分析，分別提取異構(gòu)樣本的特征，構(gòu)成異構(gòu)特征數(shù)據(jù)集對{(X,Y)|X∈Rh×N,Y∈Rl×N}，該異構(gòu)特征數(shù)據(jù)集包含N個屬于不同空間的樣本對{(xi,yi)|xi∈Rh,y∈Rl,i＝1,...,N}，即X＝[x1,x2,...,xN]∈Rh×N，Y＝[y1,y2,...,yN]∈Rl×N，其中，h和l分別是異構(gòu)特征數(shù)據(jù)xi和yi的維數(shù)。根據(jù)本發(fā)明優(yōu)選的，所述訓(xùn)練階段具體包括：通過耦合判別局部塊對齊算法進(jìn)行訓(xùn)練，尋找一對投影矩陣{(Ph,Pl)|Ph∈Rh×d,Pl∈Rl×d}，即，將所述異構(gòu)特征數(shù)據(jù)集映射到一個共同的線性判別子空間：A=PhTX,B=PlTY---(1)]]>式(1)中，A∈Rd×N,B∈Rd×N，對于給定的某個樣本yi，根據(jù)樣本集的類標(biāo)簽信息將其異構(gòu)樣本xi分成兩組：一類是與樣本xi同類的樣本，另一類是與樣本xi不同類的樣本；在樣本xi同類的樣本中，選擇k1個類內(nèi)近鄰樣本，并按照近鄰順序進(jìn)行排列，表示為在樣本xi不同類的樣本中，選擇k2個類間近鄰樣本，并按照近鄰順序進(jìn)行排列，表示為所述局部優(yōu)化包括：通過合并和建立樣本xi的局部塊Xi=[xi,xi1,xi2,...,xik1,xi1,xi2,...,xik2];]]>同理，建立樣本xi對應(yīng)異構(gòu)樣本yi的局部塊Yi=[yi,yi1,yi2,...,yik1,yi1,yi2,...,yik2];]]>對于每個局部塊，Xi對應(yīng)的映射后共同低維子空間局部塊為Ai=[ai,ai1,ai2,...,aik1,ai1,ai2,...,aik2];]]>Yi對應(yīng)的映射后共同低維子空間局部塊為Bi=[bi,bi1,bi2,...,bik1,bi1,bi2,...,bik2];]]>所述整體對齊包括：在所述共同的線性判別子空間中，令同類近鄰異構(gòu)樣本間的距離最小，異類近鄰異構(gòu)樣本間的距離最大，即argmaxaiΣj=1k1||ai-bij||2---(2)]]>argmaxaiΣp=1k2||ai-bip||2---(3)]]>由于局部近鄰形成的塊是近似線性的，因此通過線性處理形成局部判別式，即argminai(Σj=1k1||ai-bij||2-βΣp=1k2||ai-bip||2)---(3-1)]]>式(3-1)中，β是量化因子，β∈[0,1]，使類間距離和類內(nèi)距離保持一致性；定義系數(shù)向量因此，式(3-1)化簡為Σj=1k1+k2||aFi(1)-bFi(j+1)||2(wi)j=Σj=1k1+k2(aFi(1)-bFi(j+1))(aFi(1)-bFi(j+1))T(wi)j=Σj=1k1+k2(PhTxFi(1)-PhTyFi(j+1))(PhTxFi(1)-PhTyFi(j+1))T(wi)j=Σj=1k1+k2PhPlTxFi(1)-yFi(j+1)xFi(1)-yFi(j+1)TPhPl(wi)j=Σj=1k1+k2PhPlTxFi(1)xFi(1)T(wi)j-xFi(1)yFi(j+1)T(wi)j-yFi(j+1)xFi(1)T(wi)jyFi(j+1)yFi(j+1)T(wi)jPhPl=PhPlTX~iWiX~iT-X~iWiY~iT-Y~iWiXFi(1)TY~iWiY~iTPhPl=PhPlTX~i00Y~iWi-Wi-WiWiX~i00Y~iTPhPl---(5)]]>式(5)中，Wi＝diag(wi)，令則式(5)轉(zhuǎn)化為Ji(P)=PTZiW~iZiTP---(6)]]>通過疊加局部優(yōu)化式(6)，整體對齊表示為：argminPΣi=1Ntr(PTZiW~iZiTP)=argminPtr(PT(Σi=1NZiW~iZiT)P)=argminPtr(PTZWZTP)---(7)]]>式(7)中，Z＝[Z1,Z2,...,ZN]，為了唯一的定義P，給式(7)強加約束因子PTP＝I，其中I是單位矩陣，因此，目標(biāo)函數(shù)定義為argminPtr(PTZWZTP)s.t.PTZZTP=I---(8)]]>由線性理論可知，式(8)轉(zhuǎn)化為廣義特征值求解問題，ZWZTp＝λp(9)式(9)中，λ是廣義特征值；令p1,p2,...,pd是前d個最小特征值對應(yīng)的特征向量，式(8)的最優(yōu)解為P*=Ph*Pl*=[p1,p2,...,pd]---(10)]]>則訓(xùn)練樣本集經(jīng)投影矩陣映射為A=Ph*T*X---(11).]]>根據(jù)本發(fā)明優(yōu)選的，所述測試階段包括：對于一個異構(gòu)樣本y，經(jīng)投影矩陣映射后為b＝Pl*Ty(12)；使用最近鄰分類器進(jìn)行分類識別：所述分類識別過程是指采用基于歐氏距離的最近鄰分類器將待測樣本進(jìn)行判別分類；對于給定的任意待測試樣本y′，令投影后樣本特征Pl*Ty′與訓(xùn)練樣本投影后特征的歐氏距離為Dis，若Dis(xi,y′)=argminiDis(Ph*Txi,Pl*Ty′)=argmini||Ph*Tx-Pl*Ty′||]]>則y′屬于xi所在的類別，其中，||||表示2范數(shù)。本發(fā)明的有益效果是：1、本發(fā)明所述方法考慮了局部優(yōu)化，因此可以處理樣本分布的非線性問題。2、本發(fā)明所述方法考慮了不同類樣本之間近鄰測度，因此，可以保持各類之間的判別性能。3、本發(fā)明所述方法不需要進(jìn)行矩陣求逆運算，避免了小樣本問題。4、本發(fā)明所述方法可減小異構(gòu)數(shù)據(jù)之間的差異，對跨域生物特征識別具有魯棒性。附圖說明圖1本發(fā)明所述方法的流程圖；圖2a是CASIA(B)庫中90°步態(tài)序列能量圖；圖2b是CASIA(B)庫中72°步態(tài)序列能量圖；圖3是CASIA(B)步態(tài)庫各視角能量圖示例圖。具體實施方式：下面結(jié)合附圖和實例對本發(fā)明進(jìn)行詳細(xì)的描述，但不限于此。實施例、一種耦合判別局部塊對齊方法，如圖1所示，包括數(shù)據(jù)預(yù)處理、訓(xùn)練階段和測試階段；所述數(shù)據(jù)預(yù)處理：是指對兩組異構(gòu)數(shù)據(jù)分別通過主成分分析提取特征；所述訓(xùn)練階段，包括局部優(yōu)化和整體對齊；所述局部優(yōu)化：是指使某個樣本的k1個類內(nèi)最近鄰異構(gòu)樣本之間距離最小，使該樣本的k2個類間最近鄰異構(gòu)樣本之間的距離最大，提高判別性能；所述整體對齊：是指累加局部優(yōu)化結(jié)果，使得樣本整體的類內(nèi)距離最小，類間距離最大，獲得一組映射矩陣；所述測試階段，是指將異構(gòu)數(shù)據(jù)通過映射矩陣投影到一個共同的線性判別子空間，并通過最近鄰分類器進(jìn)行樣本分類識別。所述數(shù)據(jù)預(yù)處理包括具體如下：對兩組異構(gòu)數(shù)據(jù)進(jìn)行主成分分析，以90°視角與72°視角步態(tài)數(shù)據(jù)集為例，如圖2所示，分別提取異構(gòu)樣本的特征，構(gòu)成異構(gòu)特征數(shù)據(jù)集對{(X,Y)|X∈Rh×N,Y∈Rl×N}，該異構(gòu)特征數(shù)據(jù)集包含N個屬于不同空間的樣本對{(xi,yi)|xi∈Rh,y∈Rl,i＝1,...,N}，即X＝[x1,x2,...,xN]∈Rh×N，Y＝[y1,y2,...,yN]∈Rl×N，其中，h和l分別是異構(gòu)特征數(shù)據(jù)xi和yi的維數(shù)。所述訓(xùn)練階段具體包括：通過耦合判別局部塊對齊算法進(jìn)行訓(xùn)練，尋找一對投影矩陣{(Ph,Pl)|Ph∈Rh×d,Pl∈Rl×d}，即，將所述異構(gòu)特征數(shù)據(jù)集映射到一個共同的線性判別子空間：A=PhTX,B=PlTY---(1)]]>式(1)中，A∈Rd×N,B∈Rd×N，對于給定的某個樣本yi，根據(jù)樣本集的類標(biāo)簽信息將其異構(gòu)樣本xi分成兩組：一類是與樣本xi同類的樣本，另一類是與樣本xi不同類的樣本；在樣本xi同類的樣本中，選擇k1個類內(nèi)近鄰樣本，并按照近鄰順序進(jìn)行排列，表示為在樣本xi不同類的樣本中，選擇k2個類間近鄰樣本，并按照近鄰順序進(jìn)行排列，表示為所述局部優(yōu)化包括：通過合并和建立樣本xi的局部塊Xi=[xi,xi1,xi2,...,xik1,xi1,xi2,...,xik2];]]>同理，建立樣本xi對應(yīng)異構(gòu)樣本yi的局部塊Yi=[yi,yi1,yi2,...,yik1,yi1,yi2,...,yik2];]]>對于每個局部塊，Xi對應(yīng)的映射后共同低維子空間局部塊為Ai=[ai,ai1,ai2,...,aik1,ai1,ai2,...,aik2];]]>Yi對應(yīng)的映射后共同低維子空間局部塊為Bi=[bi,bi1,bi2,...,bik1,bi1,bi2,...,bik2];]]>所述整體對齊包括：在所述共同的線性判別子空間中，令同類近鄰異構(gòu)樣本間的距離最小，異類近鄰異構(gòu)樣本間的距離最大，即argminaiΣj=1k1||ai-bij||2---(2)]]>argminaiΣp=1k2||ai-bip||2---(3)]]>由于局部近鄰形成的塊是近似線性的，因此通過線性處理形成局部判別式，即argminai(Σj=1k1||ai-bij||2-βΣp=1k2||ai-bip||2)---(3-1)]]>式(3-1)中，β是量化因子，β∈[0,1]，使類間距離和類內(nèi)距離保持一致性；定義系數(shù)向量因此，式(3-1)化簡為Σj=1k1+k2||aFi(1)-bFi(j+1)||2(wi)j=Σj=1k1+k2(aFi(1)-bFi(j+1))(aFi(1)-bFi(j+1))T(wi)j=Σj=1k1+k2(PhTxFi(1)-PhTyFi(j+1))(PhTxFi(1)-PhTyFi(j+1))T(wi)j=Σj=1k1+k2PhPlTxFi(1)-yFi(j+1)xFi(1)-yFi(j+1)TPhPl(wi)j=Σj=1k1+k2PhPlTxFi(1)xFi(1)T(wi)j-xFi(1)yFi(j+1)T(wi)j-yFi(j+1)xFi(1)T(wi)jyFi(j+1)yFi(j+1)T(wi)jPhPl=PhPlTX~iWiX~iT-X~iWiY~iT-Y~iWiXFi(1)TY~iWiY~iTPhPl=PhPlTX~i00Y~iWi-Wi-WiWiX~i00Y~iTPhPl---(5)]]>式(5)中，Wi＝diag(wi)，令則式(5)轉(zhuǎn)化為Ji(P)=PTZiW~iZiTP---(6)]]>通過疊加局部優(yōu)化式(6)，整體對齊表示為：argminPΣi=1Ntr(PTZiW~iZiTP)=argminPtr(PT(Σi=1NZiW~iZiT)P)=argminPtr(PTZWZTP)---(7)]]>式(7)中，Z＝[Z1,Z2,...,ZN]，為了唯一的定義P，給式(7)強加約束因子PTP＝I，其中I是單位矩陣，因此，目標(biāo)函數(shù)定義為argminPtr(PTZWZTP)s.t.PTZZTP=I---(8)]]>由線性理論可知，式(8)轉(zhuǎn)化為廣義特征值求解問題，ZWZTp＝λp(9)式(9)中，λ是廣義特征值；令p1,p2,...,pd是前d個最小特征值對應(yīng)的特征向量，式(8)的最優(yōu)解為P*=Ph*Pl*=[p1,p2,...,pd]---(10)]]>則訓(xùn)練樣本集經(jīng)投影矩陣映射為所述測試階段包括：對于一個異構(gòu)樣本y，經(jīng)投影矩陣映射后為b＝Pl*Ty(12)；使用最近鄰分類器進(jìn)行分類識別：所述分類識別過程是指采用基于歐氏距離的最近鄰分類器將待測樣本進(jìn)行判別分類；對于給定的任意待測試樣本y′，令投影后樣本特征Pl*Ty′與訓(xùn)練樣本投影后特征的歐氏距離為Dis，若Dis(xi,y′)=argminiDis(Ph*Txi,Pl*Ty′)=argmini||Ph*Tx-Pl*Ty′||]]>則y′屬于xi所在的類別，其中，||||表示2范數(shù)。為了評估本發(fā)明所提方法的識別性能，將本發(fā)明所述方法在中國科學(xué)院自動化所錄制的CASIA(B)多視角步態(tài)數(shù)據(jù)庫上進(jìn)行實驗驗證。CASIA(B)多視角步態(tài)數(shù)據(jù)庫是中科院自動化所于2005年錄制的多視角步態(tài)庫，包含124個人的數(shù)據(jù)，每個人有6次正常行走狀態(tài)下錄制的步態(tài)序列，每次正常行走狀態(tài)下錄制步態(tài)序列包括0°，18°，36°，54°，72°，90°，108°，126°，144°，162°與180°共11個視角下的步態(tài)樣本數(shù)據(jù)，如圖3所示是這11個視角下錄制的步態(tài)序列的步態(tài)能量圖示例。為了驗證本發(fā)明所提方法的有效性，這里對倆倆視角之間的步態(tài)樣本進(jìn)行了測試，其中每個視角下的前3次錄制的樣本的步態(tài)能量圖為訓(xùn)練樣本，后3次錄制的樣本為測試樣本，測試結(jié)果如表1所示。表1CASIA(B)多視角步態(tài)數(shù)據(jù)庫上本發(fā)明所述方法的識別率由表1可知，隨著視角差的變大，識別率呈下降趨勢，視角變化嚴(yán)重影響步態(tài)識別系統(tǒng)的性能。本發(fā)明所述方法在視角差18°以內(nèi)時識別率達(dá)到100％，視角差相差36°時識別率最高可達(dá)98％，在視角差相差90°時仍然可以獲得60％左右的識別率，大大提高了步態(tài)識別系統(tǒng)的識別性能。當(dāng)前第1頁1 2 3