CN111553416A - 一种低秩稀疏空间子空间聚类方法 - Google Patents
一种低秩稀疏空间子空间聚类方法 Download PDFInfo
- Publication number
- CN111553416A CN111553416A CN202010347890.9A CN202010347890A CN111553416A CN 111553416 A CN111553416 A CN 111553416A CN 202010347890 A CN202010347890 A CN 202010347890A CN 111553416 A CN111553416 A CN 111553416A
- Authority
- CN
- China
- Prior art keywords
- low
- variable
- optimization problem
- rank sparse
- clustering method
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 239000011159 matrix material Substances 0.000 claims abstract description 24
- 238000005457 optimization Methods 0.000 claims description 34
- 230000009466 transformation Effects 0.000 claims description 10
- 230000003595 spectral effect Effects 0.000 claims description 7
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 6
- 230000003190 augmentative effect Effects 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 239000010931 gold Substances 0.000 claims description 3
- 229910052737 gold Inorganic materials 0.000 claims description 3
- 238000004088 simulation Methods 0.000 abstract description 3
- 238000002474 experimental method Methods 0.000 description 14
- 230000011218 segmentation Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
传统子空间聚类问题并没有考虑序列数据的特性,即相邻帧序列样本具有一定的相似性,针对这一问题,本发明提出了一种新的低秩稀疏空间子空间聚类方法(Low Rank and Sparse Spatial Subspace Clustering for Sequential Data,LRS3C)。该算法寻找序列数据矩阵的稀疏低秩表示,并针对序列数据特性在目标函数中引入一个惩罚项。在人工数据集、视频序列数据集和人脸图像数据集上的仿真实验表明,本发明提出的方法LRS3C具有较好的性能。
Description
技术领域
本发明属于智能信息处理技术领域,涉及时间序列数据的子空间聚类划分问题,具体来说是一种低秩稀疏空间子空间聚类方法。
背景技术
序列数据的子空间聚类问题,是计算机视觉领域中一个重要但又具有挑战性的问题。假设这类数据在时间或空间的特定点以均匀的间隔采样,也就是时间序列数据。例如,作为时间函数的视频数据具有序列结构,在该结构中,可以假设大多数帧与其相邻帧相似,直到场景发生变化。
子空间聚类是解决高维数据聚类的有效方法之一,其基本假设是高维数据往往存在于低维子空间的并集中。近年来,利用稀疏表示或低秩表示进行子空间聚类的研究受到广泛关注,并提出了一系列与之相关的新的子空间聚类算法,如稀疏子空间聚类(SSC)、低秩表示(LRR)及其变体低秩稀疏子空间聚类算法(LRSC)。这些算法的基本假设是数据是自表达的(即其子空间中的每个数据点可以表示为来自同一子空间的数据点的线性组合)。其中,基于表示矩阵核范数和L1范数最小化的LRR和SSC算法最受关注。这些算法主要是针对不连续的独立数据进行设计开发的,并没有特别考虑到处理时间序列数据的特殊性。此外,在时间序列数据的子空间聚类问题上,研究人员所做的工作并不是特别充分。
发明内容
针对上述问题,本发明通过有效利用数据序列的性质,提出了一种低秩稀疏空间子空间聚类方法(Low Rank and Sparse Spatial Subspace Clustering for SequentialData,LRS3C)。具体地说,在子空间聚类算法模型中加入了一个惩罚项来加强近邻数据的相似性。采用交替方向乘子法(ADMM)求解优化问题。在视频场景分割和人脸聚类的实际问题中,实验结果表明,该方法具有良好的性能。
一种低秩稀疏空间子空间聚类方法,包括如下步骤:
步骤1,设定目标函数作为优化问题;
步骤2,使用交替方向乘子器ADMM方法解决目标函数优化问题;首先引入两个辅助项,并得到辅助项的增广拉格朗日方程,通过固定变量,分别交替优化求解辅助项以解决优化问题;
步骤3,在解决上述优化问题后,得到数据矩阵的低秩稀疏表示系数矩阵Z,使用表示系数矩阵构造亲和图,利用谱聚类算法对亲和图进行分割,得到最终聚类结果。
进一步的,步骤1中,所述目标函数为:
s.t.X=XZ+E
第一项是用最小二乘法测量误差E,即相当于假设误差来自标准高斯分布,其余三项是对系数矩阵Z的约束,包括低秩稀疏光滑邻域目标,其中低秩性由||Z||*控制,稀疏度由||Z||1控制,平滑度由||ZR||2,1控制,参数λ1、λ2和λ3决定正则化的强度。
进一步的,目标函数中,||ZR||2,1作为一个惩罚项来控制近邻样本数据的相似性。
进一步的,步骤2中,为进一步分离变量Z的项,引入两个辅助项S=Z=Z1=Z2和U=SR,然后得到引入两个辅助项的增广拉格朗日方程如下:
通过固定其他变量,分别交替优化求解Z1,Z2,S和U。
进一步的,步骤2中,固定变量Z2,S和U,通过求解下列优化问题得到变量Z1;
经过变换,该优化问题可以写成如下形式:
定义软阈值操作符πβ(X)=(|X|-β)+sgn(X)和奇异值软阈值操作符∏β(X)=Uπβ(Σ)VT,其中,U∑VT是矩阵A的skinnySVD分解;
最终得Z1的更新规则为:
进一步的,步骤2中,固定变量Z1,S和U,通过求解下列优化问题得到变量Z2;
经过变换,该优化问题写成如下形式:
最终得Z2的更新规则为:
进一步的,步骤2中,固定变量Z1,Z2和U,通过求解下列优化问题得到变量S;
将上述目标函数关于S的导数设为零,得到:
(XTX+(r1+r2)I)S+r3SRRT=
XTX+r3URT+r1Z1+r2Z2+G+E+FRT
将上述线性矩阵方程矢量化为如下形式:
进一步的,步骤2中,固定变量Z1,Z2和S,通过求解下列优化问题得到变量U;
经过变换,该优化问题写成如下形式:
其中,U(:,i)和M(:,i)分别是U和M的第i行。
进一步的,步骤2中,变量G更新规则:
G=Gold+r1(Z1-S)
变量E更新规则:
E=Eold+r2(Z2-S)
变量F更新规则:
F=Fold+r3(U-SR)
参数r1,r2,r3更新规则如下:
进一步的,所述步骤3中,具体为建立一个加权图Graph=(v,ε,W),其中W=|Z|+|Z|T,然后将谱聚类应用于亲和图,得到最终的聚类结果。
本发明的友谊效果为:
(1)本发明在算法框架中同时利用稀疏表示和低秩表示,将两种算法的优势结合在一起,保证了算法能够充分挖掘数据的全局结构信息,同时满足了后续谱聚类处理的要求。
(2)本发明针对序列数据的特点,在算法模型框架中引入了一个惩罚项来加强近邻数据样本的相似性,从而为序列数据带来更好的聚类效果。
附图说明
图1是本发明实施例中仿真实验各对比算法使用合成数据集得到的表示系数矩阵z的示例。
图2是本发明实施例中各对比算法在合成数据集上的聚类结果。
图3是本发明实施例中视频场景分割示例图:给定一系列视频帧,目的是将相似帧聚类到同一场景。
图4是本发明实施例中不同量级高斯噪声条件下视频数据集的误分类结果表。
图5是本发明实施例中人脸聚类示例图:给定一组有序的人脸图像,目标是对属于同一个体的图像进行聚类。
图6是本发明实施例中不同高斯噪声强度人脸聚类数据集的误分类结果表。
具体实施方式
下面结合说明书附图对本发明的技术方案做进一步的详细说明。
本发明所提出的空间序列低秩稀疏子空间聚类方法(LRS3C)的目标函数如下:
s.t.X=XZ+E
在这项工作中,使用交替方向乘子器(ADMM)方法来解决这个优化问题。为了进一步分离变量z的项,引入了两个辅助项S=Z=Z1=Z2和U=SR,然后对两个引入的约束的增广拉格朗日方程如下:
通过固定其他变量,可以分别交替优化求解Z1,Z2,S和U。
1.固定变量Z2,S和U,通过求解下列优化问题得到变量Z1:
经过变换,该优化问题可以写成如下形式:
定义软阈值操作符πβ(X)=(|X|-β)+sgn(X)和奇异值软阈值操作符∏β(X)=Uπβ(Σ)VT,其中,U∑VT是矩阵A的skinny SVD分解。
最终可得Z1的更新规则为:
2.固定变量Z1,S和U,通过求解下列优化问题得到变量Z2:
经过变换,该优化问题可以写成如下形式:
最终可得Z2的更新规则为:
3.固定变量Z1,Z2和U,通过求解下列优化问题得到变量S:
将上述目标函数关于S的导数设为零,可以得到:
(XTX+(r1+r2)I)S+r3SRRT=
XTX+r3URT+r1Z1+r2Z2+G+E+FRT
可以将上述线性矩阵方程矢量化为如下形式:
4.固定变量Z1,Z2和S,通过求解下列优化问题得到变量U:
经过变换,该优化问题可以写成如下形式:
其中,U(:,i)和M(:,i)分别是U和M的第i行。
5.变量G更新规则:
G=Gold+r1(Z1-S)
6.变量E更新规则:
E=Eold+r2(Z2-S)
7.变量F更新规则:
F=Fold+r3(U-sR)
8.参数r1,r2,r3更新规则如下:
在解决上述优化问题后,得到数据矩阵的低秩稀疏表示系数矩阵。下一步是使用表示系数矩阵构造亲和图,利用谱聚类算法对亲和图进行分割,得到最终聚类结果。本实施例中建立一个加权图Graph=(v,ε,W),其中W=|Z|+|Z|T,然后将谱聚类应用于亲和图,得到最终的聚类结果。
通过仿真实验,评估LRS3C算法在三个数据集上的性能。首先在一个合成数据集上对其进行测试,然后在两个真实数据集上对其在视频场景分割和人脸聚类两个计算机视觉常见任务上的性能进行评估。
本实施例使用子空间聚类误差
作为聚类算法性能的评价指标。
此外评估了所提出的LRS3C算法在加入额外噪声时的稳健性。在本实施例中,加入了均值和单位方差为零的高斯噪声。给出了该算法在不同噪声强度下的性能。使用峰值信噪比(PSNR)衡量噪声水平,其定义为
其中I是无噪声数据,K是有噪声近似值,S是I中的元素的最大可能值。PSNR值的降低表明噪声量的增加。由于上式的分母在无噪声情况下为0,将PSNR标记为“Max”。实验中给出的PSNR值为平均值。
实验1:人工数据集实验。
本组实验创建了六个两两不相交的子空间,每个子空间的维数为4,并从每个子空间中抽取20个样本(样本维数为200)组成人工数据集。利用高斯噪声对数据集进行破坏,并评估本文提出的LRS3C算法和对比算法OSC、SpatSC、LRR和SSC的聚类性能。每组实验重复了50次。
图1提供了各对比算法得到的表示系数矩阵Z的可视化比较,并在图2中给出了这些亲合矩阵的聚类精度的结果。实验中,加入了20%量级的高斯噪声。可以看到,所提出的LRS3C算法提供了更多的块状表示系数矩阵,这意味着它比其他方法包含更强的类内权值和更多的类内权值。可视化聚类结果也表明了本发明提出的LRS3C在实验中得到了最佳分割。另外两种矩阵算法OSC和SpatSC算法对序列数据也都得到了很好的分割,但是LRR和SSC算法则存在误分类的问题。
实验2:视频场景分隔。
在本组实验中,评估LRS3C算法在视频场景分割方面的性能,其目的是从视频序列中分割单个场景。测试视频序列是从两个短动画中提取出来的。图3提供了要分割的序列的示例。序列的长度约为10秒(约300帧),每个序列由三个场景组成。视频1和视频2分别包括19和24个序列。要分割的场景可以包含对象的意义或变形,以及透视或相机视角的变换。人工采集场景变化(或关键帧)形成真实数据。
为了满足测试要求,将彩色视频转换成灰度视频序列,采样分辨率为129×96。序列中的每一帧被矢量化为xi∈R12384,并与连续帧连接形成数据矩阵X∈R12384×300。
为了满足测试要求,将彩色视频转换成灰度视频序列,采样分辨率为129×96。序列中的每一帧被矢量化为xi∈R12384,并与连续帧连接形成数据矩阵X∈R12384×300。
当视频序列被不同程度的高斯噪声污染时,评估了各算法的聚类性能。图4提供了聚类结果。从表中可以清楚地看出,在大多数情况下,LRS3C优于其他方法。当噪声增大时,与其它方法相比,本发明提出的LRS3C算法的误差率始终较低。这表明该方法具有较好的鲁棒性。
实验3:人脸聚类。
在本组实验中,评估了LRS3C在人脸图像聚类中的性能,其目的是从一组人脸图像中分割或聚类到不同的个体。虽然人脸聚类问题并不完全符合对序列数据的假设。但是可以使用人脸图像的空间信息,因为每个数据向量的邻居可能属于同一类。从扩展的YaleB数据集[14]中提取数据。该数据集由38名受试者在不同光照下的大约64张照片组成。图5提供了数据集的图像样本示例。对于每次实验,从数据集中随机选择3名受试者,并在每个受试者中随机排列图像的序列。在实验中,将图像重采样到42*48形成数据向量xi∈R2016并连接在一起,以确保受试者不会混合。
在不同的高斯噪声水平下重复了50次实验。各算法聚类结果如图6所示。
从图6可以看出,在大多数情况下,LRS3C优于所有其他方法。随着噪声强度的增加,算法的精度不断下降。与其他方法相比,本发明的方法更稳定,表现更可预测,尤其是在噪声较大的情况下。这证明了本方法在实际应用中更有效。
以上所述仅为本发明的较佳实施方式,本发明的保护范围并不以上述实施方式为限,但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化,皆应纳入权利要求书中记载的保护范围内。
Claims (10)
1.一种低秩稀疏空间子空间聚类方法,其特征在于:包括如下步骤:
步骤1,设定目标函数作为优化问题;
步骤2,使用交替方向乘子器ADMM方法解决目标函数优化问题;首先引入两个辅助项,并得到辅助项的增广拉格朗日方程,通过固定变量,分别交替优化求解辅助项以解决优化问题;
步骤3,在解决上述优化问题后,得到数据矩阵的低秩稀疏表示系数矩阵Z,使用表示系数矩阵构造亲和图,利用谱聚类算法对亲和图进行分割,得到最终聚类结果。
3.根据权利要求2所述的一种低秩稀疏空间子空间聚类方法,其特征在于:目标函数中,||ZR||2,1作为一个惩罚项来控制近邻样本数据的相似性。
10.根据权利要求1所述的一种低秩稀疏空间子空间聚类方法,其特征在于:所述步骤3中,具体为建立一个加权图Graph=(v,ε,W),其中W=|Z|+|Z|T,然后将谱聚类应用于亲和图,得到最终的聚类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010347890.9A CN111553416B (zh) | 2020-04-28 | 2020-04-28 | 一种低秩稀疏空间子空间聚类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010347890.9A CN111553416B (zh) | 2020-04-28 | 2020-04-28 | 一种低秩稀疏空间子空间聚类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111553416A true CN111553416A (zh) | 2020-08-18 |
CN111553416B CN111553416B (zh) | 2024-05-28 |
Family
ID=72005866
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010347890.9A Active CN111553416B (zh) | 2020-04-28 | 2020-04-28 | 一种低秩稀疏空间子空间聚类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111553416B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114419523A (zh) * | 2022-03-29 | 2022-04-29 | 深圳市勘察研究院有限公司 | 基于视频深度特征识别和子空间聚类的管道缺陷检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160162577A1 (en) * | 2014-12-08 | 2016-06-09 | Mitsubishi Electric Research Laboratories, Inc. | Method for Segmenting and Tracking Content in Videos Using Low-Dimensional Subspaces and Sparse Vectors |
CN108171279A (zh) * | 2018-01-28 | 2018-06-15 | 北京工业大学 | 一种多视角视频自适应乘积Grassmann流形子空间聚类方法 |
CN110020599A (zh) * | 2019-02-28 | 2019-07-16 | 浙江工业大学 | 一种稀疏强化型低秩约束的人脸图像聚类方法 |
-
2020
- 2020-04-28 CN CN202010347890.9A patent/CN111553416B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160162577A1 (en) * | 2014-12-08 | 2016-06-09 | Mitsubishi Electric Research Laboratories, Inc. | Method for Segmenting and Tracking Content in Videos Using Low-Dimensional Subspaces and Sparse Vectors |
CN108171279A (zh) * | 2018-01-28 | 2018-06-15 | 北京工业大学 | 一种多视角视频自适应乘积Grassmann流形子空间聚类方法 |
CN110020599A (zh) * | 2019-02-28 | 2019-07-16 | 浙江工业大学 | 一种稀疏强化型低秩约束的人脸图像聚类方法 |
Non-Patent Citations (1)
Title |
---|
李占芳;李慧云;刘新为;: "分类稀疏低秩表示的子空间聚类方法" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114419523A (zh) * | 2022-03-29 | 2022-04-29 | 深圳市勘察研究院有限公司 | 基于视频深度特征识别和子空间聚类的管道缺陷检测方法 |
CN114419523B (zh) * | 2022-03-29 | 2022-07-08 | 深圳市勘察研究院有限公司 | 基于视频深度特征识别和子空间聚类的管道缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111553416B (zh) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107085716B (zh) | 基于多任务生成对抗网络的跨视角步态识别方法 | |
CN109299643B (zh) | 一种基于大姿态对准的人脸识别方法及系统 | |
Hu et al. | Incremental tensor subspace learning and its applications to foreground segmentation and tracking | |
CN109035188B (zh) | 一种基于目标特征驱动的智能图像融合方法 | |
Irmak et al. | A MAP-based approach for hyperspectral imagery super-resolution | |
CN109829449B (zh) | 一种基于超像素时空上下文的rgb-d室内场景标注方法 | |
CN109685045B (zh) | 一种运动目标视频跟踪方法及系统 | |
CN106157330B (zh) | 一种基于目标联合外观模型的视觉跟踪方法 | |
CN107609571B (zh) | 一种基于lark特征的自适应目标跟踪方法 | |
CN110458192B (zh) | 基于视觉显著性的高光谱遥感图像分类方法及系统 | |
CN111680579B (zh) | 一种自适应权重多视角度量学习的遥感图像分类方法 | |
CN113095149A (zh) | 一种基于单张人脸图像的全头部纹理网络结构及生成方法 | |
Zare et al. | Piece-wise convex spatial-spectral unmixing of hyperspectral imagery using possibilistic and fuzzy clustering | |
CN111582223A (zh) | 一种三维人脸识别方法 | |
CN109241981B (zh) | 一种基于稀疏编码的特征检测方法 | |
CN111553416A (zh) | 一种低秩稀疏空间子空间聚类方法 | |
Rai et al. | Low-light robust face image super-resolution via neuro-fuzzy inferencing-based locality constrained representation | |
Chen et al. | Example-based automatic portraiture | |
CN109242885B (zh) | 一种基于时空非局部正则的相关滤波视频跟踪方法 | |
Bhattacharya et al. | Graph manifold clustering based band selection for hyperspectral face recognition | |
Ghosh et al. | Robust simultaneous registration and segmentation with sparse error reconstruction | |
CN113670440B (zh) | 一种基于自适应字典的压缩光谱成像方法 | |
Bian et al. | Efficient hierarchical temporal segmentation method for facial expression sequences | |
Meenakshisundaram | Quality assessment of IKONOS and Quickbird fused images for urban mapping | |
CN111160300B (zh) | 一种结合全局先验的深度学习高光谱图像显著性检测算法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |