基于双重鉴别相关性分析图像识别算法.docVIP

基于双重鉴别相关性分析图像识别算法 　　摘要： 　　针对多视图相关性算法未有效利用视图中相关信息且忽视了潜在的鉴别信息的问题，提出基于同一视图内和不同视图间的双重鉴别相关性分析（DualView Discriminant Correlation Analysis， DVDCA）算法。首先，设计有监督的类内和类间相关性变量，通过最大化类内相关性变量、最小化类间相关性变量来提取视图中的鉴别特征；其次，考虑在同一视图内和不同视图间均考虑进行鉴别相关特征提取，设计约束形式的双重视图鉴别相关性特征提取模型，以利用丰富的视图信息。在MultiPIE多角度人脸数据集数据集上与多视图线性鉴别分析、典型相关性分析（CCA）、多视图鉴别隐性空间（MDLS）、不相关多视图鉴别字典学习（UMDDL）四种算法对比实验，DVDCA分类识别率能够提高1.45～4.73个百分点；在MFD多特征手写体数据集上分类识别率能够提高1.25～5.29个百分点。 　　关键词：鉴别分析；图像识别；多视图学习；典型相关性分析；信息挖掘；双重鉴别分析 　　中图分类号： TP391.4 文献标志码：A 　　0引言 　　图像识别[1-2]一直是机器学习、模式识别等领域的热点话题。在真实世界中，图像样本往往可以从多种不同的视图进行描述。从仿生学的角度来看，人类大脑皮层对同一图像在不同属性或者特征下所表现出的差异有较强的刺激性，例如，彩色图像在不同的彩色分量下会有不同的视觉差异[3]；图像 　　在不同角度的传感器采集下会表型出一定的空间差异性[4]；高光谱图像[5]中不同光谱的图像表现出不同的光谱形态；人脸图像中，对同一图像提取出不同形态的特征形式，如梯度直方图（Histograms of Oriented Gradients， HOG）特征[6]、局部二值模式（Local Binary Pattern， LBP）特征[7]、主成分分析（Principle Component Analysis， PCA）特征[8]分别能够反映出人脸特征的边缘轮廓、灰度变化以及整体结构等特征。在机器学习、模式识别等领域中对于同一对象，把从多种不同特征属性或不同角度对其进行描述的数据称为多视图数据。尽管图像在不同视图下表现出较大的多样性，但正是这种多样性提供了信息上的互补，同时潜在的关联信息为分类提供了帮助。 　　传统的机器学习和模式识别算法通常在单一的视图上进行训练和学习。以主成分分析、线性鉴别分析（Linear Discriminant Analysis， LDA）[9]为代表的线性子空间学习方法一直被广泛运用于图像识别。最近的十几年，以LBP、HOG等局部描述子为代表的方法逐渐被用于人脸、掌纹、虹膜等图像识别。局部描述子能够提取图像中丰富的局部信息，因此在理论和实际中都得到了广泛应用。为了进一步挖掘隐藏在高维数据内在的信息，基于流形学习的算法[10]也被提出。流形学习通过找到高维空间中的低维流形，并求出相应的嵌入映射，以实现维数简约或者数据可视化。 　　传统单视图学习方法获得的信息单一，从信息利用的角度来说会受到一定的挑战。多视图学习方法则尝试在不同的视图内提取出相互关联、互补的特征，从而可以改善在数据集上的分类效果。典型相关性分析（Canonical Correlation Analysis， CCA）[11]是一种经典并且有效的多视图学习技术。CCA充分利用视图内的相关性，通过将两组多变量数据投影到一个低维空间，使得变量之间的相关性最大从而达到分类的目的。多元典型相关性分析（Multiview Canonical Correlation Analysis， MCCA）[12]将传统的CCA方法扩展至多元形式，尝试同时使多对变量之间的相关性值最大。多视图集成典型相关性分析（Multiset Integrated Canonical Correlation Analysis， MICCA）[13] 框架通过一般性的相关性系数描述多视图变量之间的高度相关性。考虑到上述方法都属于无监督方法，不能利用样本的标签信息对分类结果带来的优势，因此多视图鉴别隐性空间（Multiview Discriminant Latent Space， MDLS）[14]、多视图鉴别分析（Multiview Discriminant Analysis， MVDA）[15]等算法被相继提出。此外使用字典学习技术如不相关的多视图鉴别字典学习（Uncorrelated Multiview Discrimination Dictionary Learning， UMDDL） [16]进行多视图数据分类也取得了一定的进展。 　　4结语 　　怎样有效并且合理地利用数据集中数据之间的相关信息一直是多视图分类问题中