一种基于回归模型的图像集合建模与匹配方法

摘要

本发明提出了一种基于回归模型的图像集合建模与匹配方法，其包括如下步骤：组织训练图像集合；建立特征-类别回归模型；对测试图像集合进行投影；对测试图像集合进行分类。本发明针对具有任意样本分布形式的图像集合，采用样本特征与相应的类别标记学双线性回归模型，建立起集合样本与其类别之间的本质语义关联；针对未知类别标记的集合，只需将其每个样本进行线性回归然后综合各样本的类别响应即可得到整体集合的类别输出。该方法直观高效，计算简便，其对集合样本的分布形式和集合样本的规模均无任何先验假设，对集合中可能存在的噪声数据具有很好的容忍性。

主权项

一种基于回归模型的图像集合建模与匹配方法，其特征在于，包括如下步骤： S1：组织训练图像集合； S2：建立特征‑类别回归模型，其中，建立特征‑类别回归模型的方法为：采用偏最小二乘回归方法学习预测矩阵X与响应矩阵Y之间的线性回归模型：Y=XB_PLS，所述线性回归模型Y=XB_PLS包括如下求解步骤： S11：根据构造的预测矩阵X和响应矩阵Y，定义偏最小二乘回归的目标函数： X=TP^T+E Y=UQ^T+F 其中，T为预测数据X对应的语义表示矩阵，U为响应数据Y对应的语义表示矩阵，P为X对应的荷载矩阵，Q为Y对应的荷载矩阵，E为X对应的残差矩阵，F为Y对应的残差矩阵， S12：采用迭代优化方法最大化目标语义空间中变量T和U之间的协方差，其中，T和U之间为线性关系，具有U=TD+H，其中，D为对角矩阵，H为残差矩阵， S13:利用优化所得的内蕴空间语义变量T和U，推导出预测矩阵X与响应矩阵Y之间的线性回归模型：Y=X(P^T)⁺DQ^T，得到B_PLS=(P^T)⁺DQ^T； S3：对测试图像集合进行投影； S4：对测试图像集合进行分类。