基于子空间流形的图像集识别方法

近年来，基于黎曼流形将图像集在线性子空间中进行表征的图像集识别方法已经被证实有良好的效果，针对该领域存在的图像线性子空间大多高维所导致现有黎曼流形的图像集识别方法存在计算成本高、适用性有限的问题，提出一种基于子空间流形的图像集识别方法。首先，从线性子空间的几何结构出发，利用Grassmann流形对线性子空间进行建模，得到基于Grassmann流形的联合黎曼度量。然后，通过该联合黎曼度量，从高维的Grassmann流形中学习到一个低维的Grassmann流形。最后，对通过学习得到的低维流形上的图像集数据进行图像集识别。实验结果表明，在ETH-80数据集上该方法的识别准确率比投影度量学习（PML）和图嵌入Grassmann判别分析（GGDA）都分别提升了2.5个百分点。证明了在通过提出的度量与方法学习到的低维流形上，图像集数据具有更好的分类结构，从而降低图像集识别计算成本，扩大适用范围，提升识别准确率。