[0045] 图1示出了本发明一个实施例公开的一种图像的特征提取与分类联合方法；
[0046] 图2示出了本发明另一个实施例公开的一种图像特征提取和分类联合系统。
【具体实施方式】
[0047] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完 整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于 本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他 实施例，都属于本发明保护的范围。
[0048] 参见图1示出了本发明一个实施例公开的一种图像的特征提取与分类联合方法。
[0049] 由图1可知，该方法包括：
[0050] S11:获取训练样本的近邻样本，构造近邻图，并计算所述训练样本的重构系数矩 阵。
[0051 ] 可选的，本发明方法采用K最近邻分类算法(k-Nearest Neighbor，KNN)搜索方法， 得到每个训练样本的K个近邻，构造近邻图，并计算重构系数矩阵。对于原始训练数据X = [X1，X2,. . .，XN]einXN(其中，n是图像样本的维度，N是样本的数量），用G表示一个有N个顶点 的图，其中，每个顶点对应一个数据样本^，用i:j表示顶点i指向顶点j的边。进而对每条边 进行加权，并用S表示权重矩阵，其中Si, j代表边i : j上的权重，Si, j = 0表示连接的两个顶点 不是近邻关系。重构系数矩阵S可通过最小化如下优化问题求得：
[0052]
[0053]其中，xdP&分别为训练图像样本的第i，j个数据，NN(Xl)为训练图像样本^的近 邻集合，xjGNN(xi)表示xj为样本xi近邻。| | | |表示向量的L2范数。
[0054] S12:根据所述重构系数矩阵，基于核范数度量的近邻重构错误最小化的非线性流 形学习，对训练样本进行低维流形特征学习，得到一个能提取低维流行特征的线性投影矩 阵。
[0055] 对于图像数据乂^仏^ +旧^泸"其中…是样本的维度小是样本的数量）， 划分为包含有类别标签(共c个类别，c>2)的训练样本集XL=[ X1，X2, . . .，X1]einX1和包含无 标签的测试样本集Xli=[X1， X2, . . .，xu]einXu，且满足样本数量1+U = N。所述根据原始训练 样本计算得到一个线性的投影矩阵P￡idXn，可将训练数据投影到低维空间^^丨其中，d = η)，得到训练数据的低维非线性流形特征Yeidx1。为了实现上述目标，本发明方法通过引入 线性投影矩阵P建立流形特征与原始样本数据之间的关系，最小化特征近似错误项 |Px,-力I，使得到的线性投影矩阵P具备直接从样本提取得到非线性流形特征的能力。所 述解决以下凸优化问题：
[0056] MmJ(Y；P) - ||r? - SYTl + a\PX -YfF,Subj YYT -1
[0057] 其中，α为权衡参数，S为得到的重构权重系数矩阵，I I I I*表示矩阵的核范数，I I f为矩阵Frobenius范数。
[0058] 对于任一给定的矩阵A= (ai，a2，K，an) eipXn，核范数和Frobenius范数可分别定义 如下：
[0059]
[0060] 其中，Σ&(Α)表示矩阵A的所有奇异值之和。
[0061 ]计算时，本例运用引理:对任意矩阵X，有
，将核范数优化转 化成如下F-范数优化问题：
[0062]
[0063]
[0064] 由此，可得到一个最优的能提取非线性流形特征的线性投影矩阵K以及训练样本 的低维嵌入Y*。
[0065] S13:基于所述线性投影矩阵提取的低维流行特征对分类器进行更新，通过最小化 L2，1-范数正则化的分类错误，完成分类器学习。
[0066]利用所述线性投影矩阵得到训练样本的低维流形特征，完成分类器W的学习。通过 引入一个分类错误最小化项》2P，并对分类器进行L2，l-范数正则化，确保得到的 分类器W对于噪音具有很强的鲁棒性，且可确保分类器W能从低维流形特征获取每个样本xi 的软类别标签，即WTPXl，根据软类别标签中最大值对应的位置，确定为样本类别。所述鲁棒 分类器学习过程解决以下L2，1 -范数正则化的凸优化问题：
[0067]
[0068] 其中，β为权衡参数，H= [&>，!0] eieXN为训练样本的原始标签矩阵，其中hj为 样本^的原始标签，c为类别数，对于每个有标签的数据&，如果属于类别i(l < i < c)则 hi,j = l，否则hi,j = 0。
[0069] I I I |f表示Frobenius范数，I I I 12,ι表示L2,1-范数，分别定义如下：
[0070]
[0071] 需要说明的是，本发明通过迭代优化线性投影矩阵P与分类器W，即利用线性投影 矩阵P提取的流形特征对分类器进行更新，进而利用L2，l_范数正则化的分类器学习过程确 保得到的低维流形特征对于分类是最优的。即，所述过程交替优化问题如下两个问题：
[0072]
[0073]
[0074] 具体地，由于变量Y，D，P，W，Q都是相互依赖的，上述问题无法直接进行求解。本例 中，当计算某个变量时，固定其他变量，通过迭代地优化如下凸子问题，依次更新变量值完 成求解：
[(
[0075]
[(
[(
[(
[0080] 该方法中每一步待优化的问题都是一个凸子问题，因此可以得到有效解。
[0081] S14:利用所述线性投影矩阵提取测试样本的低维流行特征，利用学习后的分类器 对测试样本分类。
[0082] 对测试样本Xtest，可用线性投影矩阵产将测试样本嵌入得到的线性投影空间，完成 测试样本的特征提取。测试样本xtd的嵌入结果表达如下：,其中^为测试样本 的显著特征。将其输入分类器进行分类测试即可得到分类结果。
[0083] 由以上实施例可知，本发明公开了一种图像特征提取与分类联合方法，首先根据 训练样本间的相似性，构造加权近邻图，并重构系数矩阵。进而引入基于核范数度量的近邻 重构错误最小化的非线性流形学习，对训练图像样本进行低维流形特征学习，得到一个可 获取样本低维流形特征的线性投影矩阵;再利用所述训练样本低维特征，最小化L2，1-范数 正则化的分类错误，完成鲁棒稀疏分类器学习，输出一个最优分类器，从而对测试样本进行 特征提取和分类。与现有技术相比，本发明通过采用核范数度量和L2，l-范数正则化的联合 问题，有效提高了提取特征的描述性与分类准确率。
[0084] 参见图2示出了本发明另一个实施例公开的一种图像特征提取和分类联合系统。
[0085] 该系统包括：训练预处理模块1、特征学习模块2、分类器学习模块3以及测试模块 4〇
[0086] 其中，训练预处理模块，用于获取训练样本的近邻样本，构造近邻图，并计算所述 训练样本的重构系数矩阵。
[0087] 特征学习模块2,用于根据所述重构系数矩阵，基于核范数度量的近邻重构错误最 小化的非线性流形学习，对训练样本进行低维流形特征学习，得到一个能提取低维流行特 征的线性投影矩阵；
[0088] 分类器学习模块3,用于基于所述线性投影矩阵提取的低维流行特征对分类器进 行更新，通过最小化L2，1-范数正则化的分类错误，完成分类器学习；
[0089] 测试模块4,用于利用所述线性投影矩阵提取测试样本的低维流行特征，利用学习 后的分类器对测试样本分类。
[0090]需