鲁棒多视角潜在低秩表示的图像分类方法

摘要

随着5G和网络技术的飞速发展，大量互联网图像出现在人们的视野中。互联网图像的高维和噪声特性是图像分类问题的主要挑战。为提高互联网图像的识别性和鲁棒性，本文提出了一种鲁棒多视角潜在低秩表示(robust multi-view latent low rank representation, RMLLRR)的图像分类方法。RMLLRR算法在低秩表示算法的框架上引入多视角学习的思想，根据视角互补性和一致性准则，利用多种特征得到图像全面的描述信息，最大化不同视角间的一致性和最小化视角间信息描述的分歧。RMLLRR算法使用潜在低秩表示的思想，过滤冗余特征和噪声信息，着重考虑图像主要特征信息和显著特征信息，使得模型更加鲁棒和分辨力。此外，RMLLRR算法运用ε-draggings技术学习类间大间隔的松弛标签矩阵，起到增强类别判别的作用。人脸数据集ORL、物体数据集COIL和对象识别数据集GRAZ的实验结果表明，在噪声环境下，RMLLRR算法在所有对比算法中取得了最好的分类结果，分类精度分别达到92.43%、98.95%和63.37%。

关键词

多视角学习 / 潜在低秩表示 / ε-draggings技术 / 图像分类