(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210524435.0 (22)申请日 2022.05.13 (71)申请人 四川大学 地址 610042 四川省成 都市一环路南 一段 24号 (72)发明人 黄树东　刘奕汐　杨帆　冯文涛　 汤臣薇　叶庆　刘权辉　 (74)专利代理 机构 北京正华智诚专利代理事务 所(普通合伙) 11870 专利代理师 周芸婵 (51)Int.Cl. G06V 10/77(2022.01) G06V 10/762(2022.01) G06V 10/74(2022.01) G06V 40/16(2022.01)G06V 30/19(2022.01) G06K 9/62(2022.01) (54)发明名称 基于视图间差异性检测的多视图子空间聚 类方法及系统 (57)摘要 本发明公开了一种基于视图间差异性检测 的多视图子空间聚类方法及系统， 通过采集视图 样本数据点， 并根据视图样本数据点构建多视图 数据集； 并根据多视图数据集构建基于多视图的 相似矩阵； 利用基于视图间差异性检测筛选基于 多视图的相似矩阵， 得到基于视图一致的纯图， 并基于视图一致的纯图构建共识图； 根据基于视 图一致的纯图、 共识图以及基于多视图的相似矩 阵构建基于多视图子空间聚类的目标函数， 并对 基于多视图子空间聚类的目标函数进行迭代优 化， 得到最优多视图子空间聚类结果； 本发明提 出了可同时检测多视图一致性和视图间差异性， 并根据多视图一致性和视图间差异性获取多视 图之间的互补信息， 可用于人脸识别以及手写字 体分类。 权利要求书3页 说明书9页 附图7页 CN 114898167 A 2022.08.12 CN 114898167 A 1.一种基于 视图间差异性检测的多视图子空间聚类方法， 其特 征在于， 包括以下步骤： S1、 采集视图样本数据点， 并根据各视图样本数据点构建多视图数据集； S2、 根据多视图数据集构建基于多视图的相似矩阵； S3、 利用基于视 图间差异性检测筛选基于多视图的相似矩阵， 得到基于视图一致的纯 图； S4、 根据基于 视图一致的纯图构建共识图； S5、 根据基于视 图一致的纯图、 共识图以及基于多视图的相似矩阵构建基于多视图子 空间聚类的目标函数； S6、 对基于多视 图子空间聚类的目标函数进行迭代优化， 得到最优多视图子空间聚类 结果。 2.根据权利要求1所述的基于视图间差异性检测的多视图子空间聚类方法， 其特征在 于， 步骤S2具体为： A1、 根据多视图数据集构建各样本数据点基于自表示属性的相似矩阵； A2、 利用正则化法优化相似矩阵， 得到优化后的相似矩阵； A3、 遍历多视图数据集， 根据优化后的相似矩阵构建基于多视图的相似矩阵； 其中， 基 于多视图的相似矩阵表示 为： 约束条件： S(v)≥0,diag(S(v))＝0 其中， S(v)为第v个视图上优化后的相似矩阵， 即为基于多视图的相似矩阵； X(v)为多视 图数据集X的第v个视图； 为求解矩阵各项元素值的平方和的计算 符； m为多视图数据集 X中视图总数； dia g(.)为矩阵的对角元 素； η为权 重系数。 3.根据权利要求2所述的基于视图间差异性检测的多视图子空间聚类方法， 其特征在 于， 步骤A1具体为： 根据多视图数据集中各样本数据点的自表示属性， 构建基于自表示属性的相似矩阵的 目标函数， 并以使得基于 自表示属 性的相似矩阵的目标函数结果最小所对应的相似矩阵， 作为各样本数据点的基于 自表示属 性的相似矩阵； 其中， 基于 自表示属 性的相似矩阵的目 标函数表示 为： 约束条件： 其中， S为基于自表示属性的相似矩阵； xj为第j个样本数据点； sij为样本数据点xi与样 本数据点xj的相似度； sii为基于自表示属性的相似矩阵中表 示自身的数据点； n为各视图样 本数据点总数。 4.根据权利要求3所述的基于视图间差异性检测的多视图子空间聚类方法， 其特征在 于， 步骤A 2具体为：权　利　要　求　书 1/3 页 2 CN 114898167 A 2根据正则化法构建相似矩阵的优化目标函数， 并以使得优化目标函数结果最小所对应 的相似矩阵， 作为优化后的相似矩阵， 其中相似矩阵的优化目标函数表示 为： 约束条件： S≥0,dia g(S)＝0 其中， S*为优化后的相似矩阵； X为视图上样本数据点所构建的样本数据集。 5.根据权利要求1所述的基于视图间差异性检测的多视图子空间聚类方法， 其特征在 于， 步骤S3具体为： 测量多视图数据集中各视图的多样性， 并根据测量结果筛选出一致部分与差异多样化 部分， 并根据一 致部分得到基于 视图一致的纯图。 6.根据权利要求4所述的基于视图间差异性检测的多视图子空间聚类方法， 其特征在 于， 步骤S4具体为： 根据基于视图一致的纯图构建基于共识图的目标函数， 并以使得共识图的目标函数结 果最小所对应的共识图， 作为 最终的共识图， 其中， 基于共识图的目标函数表示 为： 约束条件： uT1＝1,U≥0 其中， U为共识图； 1为全为1的列向量； C(v)为第v个视图的纯图； μ(v)为第v个视图所对应 的权重， 满足： 7.根据权利要求6所述的基于视图间差异性检测的多视图子空间聚类方法， 其特征在 于， 步骤S5中基于多视图子空间聚类的目标函数表示 为： 约束条件： S(v)≥C(v)≥0,v＝1, …,m 其中， α， β， μ分别为权重系数； (.)T为矩阵转置； Tr(.)为矩阵秩； wvv为非对角元素和对 角元素分别是α 、 β 的方阵， 为共识图U的列向量的转置 。 8.根据权利要求7所述的基于视图间差异性检测的多视图子空间聚类方法， 其特征在 于， 步骤S6具体为： B1、 在预设条件下的共识图、 基于多视图的相似矩阵、 纯图， 利用基于多视图子空间聚 类的目标函数中约束条件更新指标矩阵， 得到更新后的指标矩阵； 其中指标矩阵的更新式 表示为： 约束条件： F∈n ×k,FTF＝I权　利　要　求　书 2/3 页 3 CN 114898167 A 3