本發(fā)明屬于一種圖像分類方法，具體涉及一種基于稀疏預(yù)設(shè)子空間遷移的圖像分類方法。
背景技術(shù)：
：一般來說，在傳感器沒有發(fā)生漂移時采集到的數(shù)據(jù)稱為源域，在使用一段時間后傳感器發(fā)生漂移后獲得的數(shù)據(jù)稱為目標(biāo)域。在圖像領(lǐng)域，可以把物體的任意一種姿態(tài)稱為源域，將受到外界條件改變(例如角度、光線強(qiáng)弱、背景色彩改變等)得到的另一種姿態(tài)稱為目標(biāo)域，圖像分類的基本任務(wù)就是能夠?qū)⑦@些處于不同狀態(tài)下的同類物體尋找出來。為了描述簡便，本發(fā)明規(guī)定：“S”表示源域，“T”表示目標(biāo)域；源域訓(xùn)練數(shù)據(jù)記為目標(biāo)域訓(xùn)練數(shù)據(jù)記為其中D代表維數(shù)，NS和NT是兩個域中訓(xùn)練樣本的數(shù)目；和表示目標(biāo)域中少數(shù)標(biāo)記的和大量未標(biāo)記的數(shù)據(jù)；表示將源數(shù)據(jù)和目標(biāo)數(shù)據(jù)的原始空間映射到預(yù)設(shè)子空間的帶有維數(shù)d的基礎(chǔ)變換；Z表示XS和XT之間的稀疏重建矩陣；1n表示長度為n的非零列向量；I表示單位矩陣；||·||0代表一個向量非零元素的數(shù)目；||·||1表示L1-范數(shù)；||·||F表示矩陣的Frobenius范數(shù)；[X]i表示X的第i列。在本發(fā)明中，矩陣采用大寫黑體，向量為小寫黑體，變量為斜體。M.Shao,D.Kit,andY.Fu,“GeneralizedTransferSubspaceLearningThroughLow-RankConstraint,”Int.J.Comput.Vis.,vol.109,pp.74-93,2014.(M.Shao,D.Kit和Y.Fu于2014年發(fā)表在《國際計算機(jī)視覺期刊》中的109卷第74-93頁的論文《低秩約束條件下的廣義轉(zhuǎn)移預(yù)設(shè)子空間學(xué)習(xí)》)，提供了一種基于低秩表示的預(yù)設(shè)子空間遷移方法(簡稱LTSL方法)，LTSL方法的數(shù)據(jù)轉(zhuǎn)換原理圖如圖1所示：源域訓(xùn)練數(shù)據(jù)XS和目標(biāo)域訓(xùn)練數(shù)據(jù)XT經(jīng)訓(xùn)練獲得一個轉(zhuǎn)換基W，源域數(shù)據(jù)和目標(biāo)域數(shù)據(jù)經(jīng)轉(zhuǎn)換基W映射到預(yù)設(shè)子空間(預(yù)設(shè)子空間指的是通過投影，實現(xiàn)高維特征向低維空間的映射，盡量保證不丟失信息，這是一種常用的降維思想，在這個預(yù)設(shè)子空間訓(xùn)練數(shù)據(jù)時，可以有效防止過擬合)，在預(yù)設(shè)子空間內(nèi)，源數(shù)據(jù)WXS通過低秩Z可以使得和目標(biāo)域數(shù)據(jù)WXT分布一致，即同類經(jīng)過映射更靠近，從而實現(xiàn)分類。存在的預(yù)設(shè)子空間學(xué)習(xí)方法(例如，主成分分析(PCA)，線性判別分析(LDA)，局部保持投影(LPP)等)，被用來學(xué)習(xí)預(yù)設(shè)子空間投影W，在預(yù)設(shè)子空間中，源數(shù)據(jù)WXS通過低秩表示(LRR)用來重建目標(biāo)數(shù)據(jù)WXT(因目標(biāo)數(shù)據(jù)WXT是存在的，WXS是通過低秩表示來逼近的)。LTSL解決預(yù)設(shè)子空間轉(zhuǎn)移問題，是通過如下最小化目標(biāo)函數(shù)實現(xiàn)的(即：找到一組W，Z，E的值，使得該式子的值達(dá)到最小)：minW,Z,EF(W,XS)+λ1rank(Z)+λ2||E||2,1]]>s.t.WTXT＝WTXSZ+E,WTU2W＝I式中，rank(.)表示矩陣的秩，||E||2，1表示-范數(shù)，并且λ1和λ2是正則化系數(shù)。表達(dá)式||E||2，1是用來激勵E的誤差列為0，因此噪聲或異常源域在適應(yīng)的過程中可以被刪除。然而rank(Z)的最小值往往可以的用低等級結(jié)構(gòu)找到一個重建系數(shù)矩陣。F(W，XS)是一個廣義的預(yù)設(shè)子空間學(xué)習(xí)函數(shù)，它可寫成Tr(WTU1W)，U1和U2是由預(yù)設(shè)子空間學(xué)習(xí)模式來選擇的，學(xué)習(xí)模式如PCA或LDA。W是一種預(yù)設(shè)子空間學(xué)習(xí)表示形式，學(xué)習(xí)模式有PCA或LDA；Z是低秩表示。當(dāng)預(yù)設(shè)子空間學(xué)習(xí)模式選定時，W固定，采用非精確的增廣拉格朗日乘子法求解上式以獲得Z、E。該基于低秩表示技術(shù)，對知識適應(yīng)性提供了一個較完整的理論和空間分析，但只在滿足預(yù)設(shè)子空間獨立并且具有充足數(shù)據(jù)的條件下，LTSL的性能表現(xiàn)良好。實際上，預(yù)設(shè)子空間獨立和數(shù)據(jù)量充足是很難滿足的，所以基于低秩表示的預(yù)設(shè)子空間遷移方法的準(zhǔn)確度較低。技術(shù)實現(xiàn)要素：本發(fā)明所要解決的技術(shù)問題就是提供一種基于稀疏預(yù)設(shè)子空間遷移的圖像分類方法，它能提高圖像數(shù)據(jù)在預(yù)設(shè)子空間遷移的準(zhǔn)確度。本發(fā)明所要解決的技術(shù)問題是通過這樣的技術(shù)方案實現(xiàn)的，它包括有以下步驟：步驟1、輸入源域樣本和目標(biāo)域樣本計算原始數(shù)據(jù)XS1是源域的第一個樣本、是源域的第NS個樣本、XT1是目標(biāo)域的第一個樣本、是目標(biāo)域的第NT個樣本；步驟2，計算KT和K由式KT＝XTXT和K＝XTX分別求解出KT和K；步驟3，求出K的特征值分解由式K＝VSVT求解出K的特征值分解；V為特征向量構(gòu)成的矩陣，S的對角線上元素為特征向量所對應(yīng)的特征值；步驟4，初始化特征向量Φ由式Φ：＝V(：，v)取V的前d個最大特征值對應(yīng)的特征向量，式中v為V的前d個最大特征值所對應(yīng)的特征向量；步驟5，更新Z將Φ固定，使用ADMM方法，更新以下式(8)中的Z：minZ||Z||1+λ1||ΦTKT-ΦTKZ||F2s.t.1NS+NTTZ=1NTT---(8)]]>式(8)中，Z為稀疏矩陣，λ1表示權(quán)衡參數(shù)，表示長度為NS+NT的非零列向量，表示長度為NT的非零列向量；步驟6，更新Φ將Z固定，使用特征值分解的方法，更新以下式(13)中的Φ：minΦλ1||ΦTKT-ΦTKZ||F2+λ2||X-XΦΦTK||F2s.t.ΦTKΦ=I---(13)]]>步驟7，檢查收斂性情況若仍然不收斂，則重復(fù)步驟5和步驟6；若收斂，則輸出Φ和Z的值；步驟8，由P*＝ΦTXT得映射P*，計算源域數(shù)據(jù)XS映射到預(yù)設(shè)子空間的值MS，MS＝P*XS；步驟9，利用映射P*，計算標(biāo)記的目標(biāo)訓(xùn)練數(shù)據(jù)XTl映射到預(yù)設(shè)子空間的值MTl,MTl＝P*XSZ；MTl＝P*XSZ表示源域數(shù)據(jù)經(jīng)P后通過稀疏矩陣Z向目標(biāo)域轉(zhuǎn)換；步驟10，計算未被標(biāo)記的目標(biāo)測試數(shù)據(jù)XTu映射到預(yù)設(shè)子空間的值MTu，MTU＝P*XTu步驟11，基于標(biāo)記的訓(xùn)練數(shù)據(jù)[MS,MTl]和它們對應(yīng)的標(biāo)記，利用二范數(shù)正則最小二乘方法訓(xùn)練一個分類器W；步驟12，通過計算判決函數(shù)對未被標(biāo)記的目標(biāo)測試數(shù)據(jù)進(jìn)行類別判別。本發(fā)明的技術(shù)效果是：提高了圖像數(shù)據(jù)在預(yù)設(shè)子空間遷移的準(zhǔn)確度。附圖說明本發(fā)明的附圖說明如下：圖1為
背景技術(shù)：
的LSTL方法的數(shù)據(jù)轉(zhuǎn)換原理圖；圖2為本發(fā)明的數(shù)據(jù)轉(zhuǎn)換原理圖；圖3為數(shù)據(jù)驗證的源域和目標(biāo)域的三維分布圖；圖4為圖3的數(shù)據(jù)經(jīng)本發(fā)明轉(zhuǎn)換后的二維預(yù)設(shè)子空間分布圖；圖5為一個受試者的樣本圖像。具體實施方式下面結(jié)合附圖和實施例對本發(fā)明作進(jìn)一步說明：本發(fā)明的原理是：如圖2所示的數(shù)據(jù)轉(zhuǎn)換中，在原始空間中，由一個預(yù)先定義的基礎(chǔ)轉(zhuǎn)換P，將目標(biāo)域訓(xùn)練數(shù)據(jù)XT通過基礎(chǔ)轉(zhuǎn)換P映射到預(yù)設(shè)子空間得到目標(biāo)數(shù)據(jù)PXT，將源域訓(xùn)練數(shù)據(jù)XS通過基礎(chǔ)轉(zhuǎn)換P映射到預(yù)設(shè)子空間得到PXS，由于本發(fā)明通過源域和目標(biāo)域數(shù)據(jù)P[XS,XT]來對目標(biāo)數(shù)據(jù)進(jìn)行重建，因此把P[XS,XT]又統(tǒng)一稱為源域數(shù)據(jù)，然后利用源域數(shù)據(jù)P[XS,XT]通過稀疏矩陣Z轉(zhuǎn)換，與PXT在預(yù)設(shè)子空間內(nèi)共享分布。源域數(shù)據(jù)P[XS,XT]通過稀疏矩陣Z轉(zhuǎn)換與目標(biāo)域數(shù)據(jù)PXT在預(yù)設(shè)子空間內(nèi)共享分布，那么稀疏子空間遷移優(yōu)化的數(shù)學(xué)模型為：minZ||PXT-P[XS,XT]Z||22,s,t.||Z||0≤T0---(1)]]>式(1)中，T0是稀疏水平；PXT為預(yù)設(shè)子空間的目標(biāo)數(shù)據(jù)，P[XS,XT]為預(yù)設(shè)子空間的源域數(shù)據(jù)；Z為使預(yù)設(shè)子空間內(nèi)源域與目標(biāo)域數(shù)據(jù)共享分布的稀疏矩陣。因為基于L0范數(shù)的優(yōu)化是非凸問題，因此本發(fā)明模型使用了該規(guī)范的凸逼近，即L1范數(shù)。為了使獲得的P能夠確保投影不使數(shù)據(jù)發(fā)生扭曲，并且可以保持很多有用信息，那么有如下表達(dá)式，minP||[XS,XT]-PTP[XS,XT]||F2---(2)]]>將式(1)與式(2)式結(jié)合，最后可以表達(dá)為：minZ,P||Z||1+λ1||PXT-P[XS,XT]Z||F2+λ2||[XS,XT]-PTP[XS,XT]||F2s.t,PPT=I,1NS+NTTZ=1NTT---(3)]]>式(3)中，P的行必須是正交的，并且必須歸一化，使得PPT＝I，I是單位矩陣，以此避免退化。此外，假定(表示長度為NS+NT的非零列向量,表示長度為NT的非零列向量)，使得源域數(shù)據(jù)和目標(biāo)域數(shù)據(jù)在聯(lián)合的仿射預(yù)設(shè)子空間，而不是線性預(yù)設(shè)子空間(仿射預(yù)設(shè)子空間和線性預(yù)設(shè)子空間的區(qū)別在于是否有選定的原點，仿射預(yù)設(shè)子空間中的任何兩點的地位等價，而線性預(yù)設(shè)子空間的原點是一個特殊的點)，λ1和λ2則表示權(quán)衡參數(shù)(即
背景技術(shù)：
的正則化系數(shù)λ1和λ2，表示了每項的權(quán)重)。為了簡化，令那么目標(biāo)函數(shù)(3)可以寫為：J(P,Z,XT,X)=||Z||1+λ1||PXT-PXZ||F2+λ2||X-PTPX||F2---(4)]]>目標(biāo)函數(shù)(3)或(4)中，P的解有很多，即解不唯一?；A(chǔ)變換P的一種求解方法如下：存在一個最優(yōu)解P*，它可以直觀地表示為在情況下，原始數(shù)據(jù)和目標(biāo)數(shù)據(jù)的線性組合，表示形式如下：P*＝ΦTXT(5)式(5)中，φ為特征向量，φT、XT是φ、X的轉(zhuǎn)置矩陣。結(jié)合式(4)與式(5)，目標(biāo)函數(shù)可以表示為：J(Φ,Z,XT,X)=||Z||1+λ1||ΦTXTXT-ΦTXTXZ||F2+λ2||X-XΦΦTXTX||F2---(6)]]>令KT＝XTXT,K＝XTX，那么前述式(3)可以表示如下：minZ,Φ||Z||1+λ1||ΦTKT-ΦTKZ||F2+λ2||X-XΦΦTK||F2s.t.ΦTKΦ=I,1NS+NTTZ=1NTT---(7)]]>從式(7)可以看出：式中涉及兩個變量Z和Φ。為了得到式(7)的最小解，可以采用固定一個變量，而改變另一個變量來解決這個問題。因此，包括以下2個主要步驟：第一、更新稀疏矩陣(Z)為了得到Z，可以固定Φ，那么式(7)可以表示為：minZ||Z||1+λ1||ΦTKT-ΦTKZ||F2s.t.1NS+NTTZ=1NTT---(8)]]>這是一個典型的稀疏套索(Lasso)優(yōu)化問題，可以采用交替方向乘子法(ADMM)有效地解決。引入輔助變量L，式(8)可以改寫為：minZ,L||Z||1+λ1||ΦTKT-ΦTKL||F2s.t.L=Z,1NS+NTTL=1NTT---(9)]]>式(9)的增強(qiáng)拉格朗日函數(shù)可以表示為：J(Z,L)=||Z||1+μ12||ΦTKT-ΦTKL||F2+<YA,L-Z>+<YB,1NS+NTTL-1NTT>+μ22(||L-Z||F2+||1NS+NTTL-1NTT||22)---(10)]]>式(10)中，YA和YB分別表示拉格朗日乘子，λ1＝μ1/2；λ1和μ1均為系數(shù)變量，可以隨意選擇，取λ1＝μ1/2只是為了求導(dǎo)得到(11)式的時候方便(二范數(shù)求導(dǎo)剛好有2與1/2約掉)；μ2是用增廣拉格朗日乘子法求解時的系數(shù)。為了解式(9)的L，現(xiàn)固定Z，并且使式(10)的偏導(dǎo)為0，可以獲得L的表達(dá)式如下：L=(μ1KTΦΦTK+μ2I+μ21NS+NT1NS+NTT)-1(μ1KTΦΦTKT-YA-1NS+NTYB+μ2Z+μ21NS+NT1NTT)---(11)]]>固定L，那么Z可以通過以下式子求解：minZ||Z||1+μ22||L-Z||F2+<YA,L-Z>∝minZ||Z||1+μ22(||L-Z||F2+2μ2<YA,L-Z>)∝minZ||Z||1+μ22||Z-(L+YAμ2)||F2---(12)]]>因此，采用ADMM方法，依據(jù)式(8)求解Z的步驟如下：步驟1)，初始化參數(shù)令Z,YA,YB均為0,μ2為λ1，ρ＝1.1和maxμ＝106；其中YA和YB分別表示拉格朗日乘子，λ1和λ2則表示權(quán)衡參數(shù)；步驟2)，更新L當(dāng)不收斂的時候固定Z，通過利用下式對L進(jìn)行求解：L=(μ1KTΦΦTK+μ2I+μ21NS+NT1NS+NTT)-1(μ1KTΦΦTKT-YA-1NS+NTYB+μ2Z+μ21NS+NT1NTT)]]>式中，L為輔助變量，λ1＝μ1/2，μ2是用增廣拉格朗日乘子法求解時的系數(shù)；步驟3)，更新Z當(dāng)不收斂的時候固定L，通過下式對Z進(jìn)行求解：minZ||Z||1+μ22||Z-(L+YAμ2)||F2]]>步驟4)，更新拉格朗日乘子根據(jù)步驟2)和步驟3)更新得到的L和Z，代入下式，YA＝Y(jié)A+μ2(L-Z),YB＝Y(jié)B+μ2(1TL-1T)得到更新后的乘法器；上述式(10)中，YA和YB分別表示拉格朗日乘子，由于這是一個典型的稀疏套索優(yōu)化問題，因此采用交替方向乘子法(ADMM)，因為式(10)有拉格朗日乘子，因此名稱又叫做乘法器；步驟5)，更新參數(shù)μ2μ2取μ2ρ和maxμ中的最小值(μ2ρ和maxμ是設(shè)定的值，步驟1中初始化參數(shù)部分已補(bǔ)充它們的設(shè)定值)；步驟6)，檢查收斂情況若仍然不收斂，則重復(fù)步驟2)至步驟5)；若收斂，則輸出Z。第二、更新Φ為了解出Φ，通過固定Z，式(7)可以被寫為：minΦλ1||ΦTKT-ΦTKZ||F2+λ2||X-XΦΦTK||F2s.t.ΦTKΦ=I---(13)]]>式(13)的目標(biāo)函數(shù)被擴(kuò)展如下：λ1||ΦTK(K-1KT-Z)||F2+λ2||X(I-ΦΦTK)||F2=Tr(λ1(K-1KT-Z)(K-1KT-Z)TKTQTK)+Tr(λ2(K-2KTQTK+KTQTKQK))---(14)]]>式(14)中，令ΦTKΦ＝I，則ΦΦTKΦΦT＝QKQT＝ΦΦT＝Q，那么目標(biāo)函數(shù)可以簡化為：Tr((λ1(K-1KT-Z)(K-1KT-Z)T-λ2I)KTQTK)(15)根據(jù)式子K＝VSVT對K進(jìn)行特征分解，其中V為特征向量，S對角線上元素為特征向量對應(yīng)的特征值，得：KTQTK=VS12ΩΩTS12VT]]>式中，特征函數(shù)(15)化解為：Tr(ΩTS12VT(λ1(K-1KT-Z)(K-1KT-Z)T-λ2I)VS12Ω)=Tr(ΩTΘΩ)---(16)]]>式(16)中，并且ΩTΩ＝ΦTVSVTΦ＝ΦTKΦ＝I最后，式(13)改寫為：Ω*=argminΩTr(ΩTΘΩ),s.t.ΩTΩ=I---(17)]]>最優(yōu)解Ω*是通過關(guān)于Θ的最小特征值的特征向量l來獲得的。Ω*是通過和VVT＝I所求得的，Φ*的最優(yōu)能夠被表示為：Φ*=VS-12Ω*---(18)]]>因此，依據(jù)式(13)求解Φ的步驟如下：步驟(1)，求K的特征值分解由K＝VSVT求出K的特征值分解，其中K＝XTX，V為特征向量，S對角線上元素為特征向量對應(yīng)的特征值；步驟(2)，由下式求解出Θ：Θ=S12VT(λ1(K-1KT-Z)(K-1KT-Z)T-λ2I)VS12]]>步驟(3)，求出Θ的特征值分解由式Θ＝UΣUT求解出Θ的特征值分解，U是Θ的特征向量，Σ為一個對角陣，其對角上的元素為特征向量對應(yīng)的特征值；步驟(4)，求解Ω通過Ω＝U(:,U)來求解Ω，該式是將Θ進(jìn)行特征分解后，取U的前d個最小特征值對應(yīng)的特征向量，式中U為U的前d個最小特征值所對應(yīng)的特征向量；d的范圍是1～(U的所有特征值個數(shù))，以U中所有特征值依次循環(huán)，取實驗效果好的那些值；步驟(5)，求解Φ由式求解出Φ。綜合上述內(nèi)容，得本發(fā)明的基于稀疏預(yù)設(shè)子空間遷移的圖像分類方法，包括以下步驟：步驟1、輸入源域樣本和目標(biāo)域樣本計算XS1是源域的第一個樣本、是源域的第NS個樣本、XT1是目標(biāo)域的第一個樣本、是目標(biāo)域的第NT個樣本；步驟2，計算KT和K由式KT＝XTXT和K＝XTX分別求解出KT和K；步驟3，求出K的特征值分解由式K＝VSVT求解出K的特征值分解；步驟4，初始化Φ由式Φ：＝V(：，v)取V的前d個最大特征值對應(yīng)的特征向量，式中v為V的前d個最大特征值所對應(yīng)的特征向量；d的范圍是1～(V的所有特征值個數(shù))，以V中所有特征值依次循環(huán)，取實驗效果好的那些值；步驟5，更新Z將Φ固定，使用ADMM方法，更新以下式(8)中的Z：minZ||Z||1+λ1||ΦTKT-ΦTKZ||F2s.t.1NS+NTTZ=1NTT---(8)]]>步驟6，更新Φ將Z固定，使用特征值分解的方法，更新以下式(13)中的Φ：minΦλ1||ΦTKT-ΦTKZ||F2+λ2||X-XΦΦTK||F2s.t.ΦTKΦ=I---(13)]]>步驟7，檢查收斂性情況若仍然不收斂，則重復(fù)步驟5和步驟6；若收斂，則輸出Φ和Z的值；步驟8，由P*＝ΦTXT得映射P*，計算源域數(shù)據(jù)XS映射到預(yù)設(shè)子空間的值Ms，MS＝P*XS；步驟9，利用映射P*，計算標(biāo)記的目標(biāo)訓(xùn)練數(shù)據(jù)XTl映射到預(yù)設(shè)子空間的值MTl，MTl＝P*XSZ；MTl＝P*XSZ表示源域數(shù)據(jù)經(jīng)P后通過稀疏矩陣Z向目標(biāo)域轉(zhuǎn)換；步驟10，計算未被標(biāo)記的目標(biāo)測試數(shù)據(jù)XTu映射到預(yù)設(shè)子空間的值MTu，MTu＝P*XTu；設(shè)置標(biāo)記的目標(biāo)訓(xùn)練數(shù)據(jù)XTl和未被標(biāo)記的目標(biāo)測試數(shù)據(jù)XTu，是因為要通過源域數(shù)據(jù)XS和標(biāo)記的目標(biāo)域數(shù)據(jù)XTl訓(xùn)練出一個分類器W，然后使用未被標(biāo)記的目標(biāo)域數(shù)據(jù)XTu進(jìn)行測試，判斷步驟11訓(xùn)練出的分類器W的好壞，以檢驗本發(fā)明的優(yōu)劣；步驟11，基于標(biāo)記的訓(xùn)練數(shù)據(jù)[MS,MTl]和它們對應(yīng)的標(biāo)記，利用二范數(shù)正則最小二乘方法訓(xùn)練一個分類器W；步驟12，通過計算判決函數(shù)對未被標(biāo)記的目標(biāo)測試數(shù)據(jù)進(jìn)行類別判別。實驗驗證一、數(shù)據(jù)驗證如圖3所示，針對預(yù)設(shè)子空間陣列所產(chǎn)生的數(shù)據(jù)，通過不同方式的高斯分布和協(xié)方差矩陣，獲得少數(shù)標(biāo)記的目標(biāo)數(shù)據(jù)和多數(shù)未標(biāo)記的目標(biāo)數(shù)據(jù)三維分布(目標(biāo)數(shù)據(jù)是隨機(jī)產(chǎn)生的滿足高斯分布的數(shù)據(jù))，源域中有兩類數(shù)據(jù)，每類數(shù)據(jù)包含50個樣本，且容易在源域中找到兩類數(shù)據(jù)的決策邊界；在目標(biāo)域中也有兩類數(shù)據(jù)，每類有5個標(biāo)記的樣本和50個未標(biāo)記的樣本。從圖中可以清楚地看到：1、同一類的數(shù)據(jù)點在源域和目標(biāo)域中有不同的分布；2、源域的分類超平面不適合目標(biāo)域的決策邊界(決策邊界指將不同類數(shù)據(jù)分開的線或平面)。利用本發(fā)明的稀疏Z預(yù)設(shè)子空間遷移，經(jīng)過投影和重建后，得二維預(yù)設(shè)子空間的源數(shù)據(jù)和目標(biāo)數(shù)據(jù)，如圖4所示，源數(shù)據(jù)和目標(biāo)數(shù)據(jù)之間的空間錯位率有所降低，并且這兩類之間的決策邊界清晰，很容易找到一種分類器實現(xiàn)分類，所以使用本方法發(fā)明進(jìn)行數(shù)據(jù)分類是可行的、有效的。二、物體識別CMUMulti-PIE人臉數(shù)據(jù)集是一個公開數(shù)據(jù)集，共包含337個受試者的綜合人臉數(shù)據(jù)集，其中的圖像通過15個姿勢，20種照明，6種表達(dá)，4個不同的階段實現(xiàn)捕獲。為了得到想要的結(jié)果，實驗中在階段1和階段2分別選擇了前60名受試者，每個受試者的7種表情圖像。如圖5所示：階段1為第一行，面部帶有一般表情；階段2為第二行，受試者還帶有微笑。在這個實驗中，四種實驗設(shè)置如下：·設(shè)置1：每個受試者的正面表情和極端姿態(tài)(60°角)分別用來作為源域和目標(biāo)域的訓(xùn)練數(shù)據(jù)，剩下的表情即被用作探針面?！ぴO(shè)置2：參照設(shè)置1，進(jìn)行相同配置?！ぴO(shè)置1+2：將設(shè)置1和2中的兩種正面表情和兩種極端60°姿態(tài)表情作為訓(xùn)練數(shù)據(jù)。剩下的表情被用作探針面?！そ徊嬖O(shè)置：將設(shè)置1中每個受試者的一般表情作為源域，將設(shè)置2每個受試者的微笑表情作為目標(biāo)域，以此適應(yīng)表情的變化。采用本方法發(fā)明進(jìn)行人臉識別，識別準(zhǔn)確率與LTSL相對比，其結(jié)果見表1。表1.針對人臉姿態(tài)識別的識別準(zhǔn)確率比任務(wù)源域目標(biāo)域LTSL-PCALTSL-LDA本發(fā)明設(shè)置1正面60度的角度55.756.059.7設(shè)置2正面60度的角度58.760.763.3設(shè)置1+2正面60度的角度57.860.761.7交叉設(shè)置設(shè)置1設(shè)置296.796.795.8從表1可以看出：本方法發(fā)明比LTSL的識別效果好。當(dāng)前第1頁1 2 3