子空间距离度量及应用.pdf

子空间距离度量及应用 北京大学信息科学技术学院 视觉与听觉信息处理国家重点实验室 封举富 王立威 内容提要 问题的背景——度量子空间的“相似性”： 视频识别 人脸识别 子空间相似度与距离： Principal Angle 及推广 Golub-Werman距离 从几何角度给出的子空间距离及推广 进一步的应用： 自适应Bayes人脸识别算法 问题的背景: 度量子空间的“相似性” 问题的背景 模式识别： 一个基本而且关键的问题是定义模式之间距 离或者相似度。 通常模式由特征，即欧式空间中的向量来表 示。 具有结构的模式可用图等模型来表示. 某些实际问题中，用子空间来表示对象更方 便。 问题的背景（续） 以子空间作为模式的表示： 基于视频的识别： 图像序列在图像空间中张成一个子空间。 人脸识别： 不同条件下同一人脸图像张成线性子空间。 子空间相似度与距离 子空间相似度与距离 子空间相似度的研究工作： Principal angles (Jordan 1875, Hotelling 1936) 两个子空间U, V之间的principal angles 0 ≤θ ≤θ ≤≤θ ≤(π/ 2) （递归）定义为： 1 2 k T cos(θ ) max max u v. k u U v V ∈ ∈ T T u u v v 1, i 1, 2,,k −1. T T u ui v vi 0, 子空间相似度与距离（续） Yamaguchi 等 （1998）首先将最小principal angle的余弦作为两个子空间的相似度用于视 频识别； k 2 Wolf Shashua (2003) 提出用 ∏ cos (θ) 作 i 1 i 为子空间相似度： k 2 ∏ cos (θ) 是正定核函数！！！ i 1 i 可以嵌入到SVM 中。 子空间相似度与距离（续） 子空间距离的研究工作： Golub 等(1989)从矩阵角度给出的定义： d (U ,V ) P =−P . U V 2 子空间 P [u ,u , ,u ][u ,u , ,u ]T . U 1 2 m 1 2 m 投影矩阵 一一对应