图强化典型相关分析及在图像识别中的应用

苏树智 谢 军 平昕瑞 高鹏连

①(安徽理工大学计算机科学与工程学院 淮南 232001)

②(合肥综合性国家科学中心能源研究院(安徽省能源实验室) 合肥 230031)

③(安徽理工大学数学与大数据学院 淮南 232001)

1 引言

特征提取[1,2]是解决分类和识别任务的一类主流方法，从模态数据种类角度划分，可分为单模态方法和多模态方法。在单模态方法中主成分分析(Principal Component Analysis, PCA)[3,4]使用最为广泛，其通过正交变换从原始单模态数据[5,6]的高维空间中抽取数据的低维表示形式，同时最大化低维数据的差异。但是PCA是一种线性特征提取方法，没有考虑数据的内在结构信息，因此在很多实际应用中难以抽取强鉴别力的低维特征。而多模态方法则是处理两种或两种以上模态数据的方法，典型相关分析(Canonical Correlation Analysis,CCA)[7]是多模态特征提取方法中的代表算法，能够实现高维多模态数据的特征提取和融合。

CCA旨在学习两组模态数据的相关投影方向，使投影后的两组模态间相关性最大，目前已应用于图像处理[8]、特征融合[9]等领域。但CCA本身和PCA均为线性方法，针对其难以提取高维非线性数据有效特征的问题，文献[10,11]中提出局部保持CCA(Locality Preserving Canonical Correlation Analysis, LPCCA)，该方法考虑局部邻域间的关系，利用局部的几何结构解决一些非线性问题。虽然LPCCA比CCA更好地揭示了内在数据结构，但是保留的局部信息多包含噪声，揭示的近邻结构存在失真现象，因此仅在姿态估计任务中获得了良好的实验结果，而分类能力较差。为了解决LPCCA的弱分类性能问题，文献[12]提……