藍敏

摘要：典型相關性分析及其改進方法（canonical Correlation Analysis，CCA）是被廣泛運用于多視圖特征學習的技術，但目前普遍存在的相關性分析方法并沒有有效利用視圖間信息，忽視了隱藏在圖像內部的鑒別相關性。為了解決這一問題，提出基于視圖間鑒別相關性分析（Between-View Discfiminant Correlation Analysis，BVDCA）的手語圖像識別算法。BVDCA在不同視圖間最大化類內相關性信息，最小化類間相關性信息，從而可以達到鑒別分類的目的。進一步地，考慮到手語圖像包含大量的非線性特征，提出基于核化的視圖間鑒別相關性分析（Kernel Between-View Discriminant Correlation Analysis，KBVDCA），以解決線性不可分的目的。在手語圖像數據集的實驗結果驗證了二者的有效性。

關鍵詞：手語識別;多視圖;相關性分析;鑒別分析;非線性特征

中圖分類號：TP391 文獻標識碼：A

文章編號：1009-3044（2020）15-0019-03

1引言

最近的十幾年來，信息技術的不斷發展和數據呈爆炸式的增長使得我們能夠對客觀事物或個體進行多方面的闡述，從而產生了多視圖數據。多視圖數據及其相關的研究算法為生物特征識別（掌紋識別、手語識別等）技術提供了契機。例如：在手語圖像識別過程中，可以提取用于手語的多視圖信息（方向梯度直方圖特征，局部二值模式特征和主成分分析特征等）來進行手語辨析。

多視圖學習技術是目前的研究熱點，它通過提取出不同的視圖內數據特征之間的關聯、互補關系，以達到改善圖像分類識別的性能。例如，典型相關性分析（canonical CorrelationAnalysis，CCA）[31技術通過挖掘不同視圖間的關聯關系，并向低維空間做投影，最終通過相似度計算實現圖像分類。集成典型相關分析則通過計算不同視圖數據之間的相關系數來作為分類的依據。這兩種方法都沒有利用到視圖數據的標簽，屬于無監督學習方法。此外，文獻從最小化類間信息和最大化類內信息的角度出發，提出了鑒別典型相關性分析方法用于圖像分類。還有，文獻[12]考慮到多視圖數據在線性不可分條件下大多數算法無法取得較好效果這一情況，提出了一種核典型鑒別相關性分析（Kernelized Discriminative Canonical Correla-lion Analysis，KDCCA）方法，有效地提高了圖像分類方法的魯棒性。

然而總的來看，傳統的方法還有不足之處：1）現有的多視圖方法只能處理二視圖的情形，局限性較大;2）在多視圖學習的方法中，可以嘗試同時進行視圖間的鑒別相關性分析，這種相關性分析并不直接關注視圖之間的類內散度和類間散度信息，而是從信息冗余的程度來考慮視圖的多樣性給分類帶來的優勢。

鑒于此，本文提出了一種改進的多視圖鑒別相關性分析方法BVDCA，BVDCA試圖在視圖間最大化類內相關性信息，同時最小化類間相關性信息，從而達到提升分類效果的目的。

2視圖間鑒別相關性分析

為了便于描述，首先給出以下定義，如表1所示。

3實驗與分析

文中采用手語數據圖像集進行實驗，驗證并分析本文算法的有效性。選取的對比算法有：LDA、MCC和MVDA。本文選擇的分類器統一為最近鄰分類器。

我們選取包含了750，0多張圖像的手語數據庫（包含了5種采集角度，N=5）進行仿真實驗，該子集包含了5種采集角度來獲取圖像，即N=5，有5個視圖。每幅圖像統一被預處理成64×64像素。圖1為手語圖像示意圖。

本文一共做了20次隨機實驗。在每次實驗中，我們任意選擇80%的數據集作為訓練數據，余下的20%數據集作為測試數據。取20次實驗結果的均值作為最終結果。得到不同算法的識別率如圖2所示。可以看到，本文方法的識別率始終要優于LDA、MCCA和MVDA等算法。

4結束語

多視圖學習方法能夠挖掘出手語圖像中潛在的隱性信息，因此可以更好地改善分類效果。本文提出一種針對多視圖學習的手語圖像識別算法BVDCA，它通過使視圖之間的類內相關性最大，類間相關性最小從而達到提升分類效果的目的。進一步地為了解決目前普遍存在的手語圖像在線性條件下不可分的問題，提出了核化的BVDCA，即KBVDCA，將手語樣本映射至高維空間達到可分的目的。現實中的多視圖數據大量存在并不僅限于手語圖像，后續工作將圍繞更為廣義的數據進行研究。