基于多线性子空间分析的视频特征压缩表示及应用研究

The compact representationof video data is a prerequirement for processing a large number of video data efficiently. Since tensors can capture the natural structure and the corelation relationship of multi-dimensional video data, they are often used to describe video data. But multi-dimensional video data has high dimentional property, and contains a lot of reduncdant data. The structure of multi-dimensional video data can be captured by using some low dimensional space. Multiple subspace analysis is able to operate tensors directly, and reduces the reduncdant information in each mode of tensors during the dimensional reduction. Traditional multiple subspace analysis method has several limitations: (1) it require that basic vectors are orthogonal.(2) Traditional method is difficult to explain the projection matrix. (3) It is easy to fall into the local optimal. In this project, we will propose some new spase multiple subspace analysis approaches, and solve the limitations of convencient approaches by adopting higher-order singular value decomposition and the objective function with the constraints. We explore the applications of the proposed approaches on the compact representation of multi-dimensional video data and object recognition. We also consider apply the proposed approach to the areas of safe city, intelligent transportion and intelligent medicine.

视频数据的特征压缩表示是高效处理海量视频数据的前提。由于张量这种表示形式能够很好地描述多维度视频数据内在的自然结构和相关关系，视频数据需要用张量来进行描述。然而，多维度的视频数据往往具有高维特性，存在大量的冗余，仅用一些低维的子空间就可以进行表示。多线性子空间分析方法能够直接对张量进行操作，在降维过程中每一阶张量的冗余信息都能够得到有效的移除。传统的多线性子空间分析方法存在着一定的局限性，如：要求基本向量是正交的，难以对投影矩阵进行解释，而且只能获取局部最优解等等。在本项目中，我们拟研究新的基于稀疏表示的多线性子空间分析方法，运用高阶奇异值分解法、带约束条件的目标函数和稀疏表示来克服传统方法的局限性，探讨其在多维度海量视频数据特征压缩表示和物体识别中的应用，并将新方法应用于平安城市、智慧交通、智慧医疗等领域。

如今是数据科学的时代，大量的数据以张量的形式呈现。项目提出了一种关于张量完备的新方法，该方法利用低秩逼近技术来探索张量数据的隐藏全局结构，同时利用稀疏编码技术来表示张量数据的局部模式；我们采用了一种加权张量核范数方法来对张量数据的低秩结构进行描述。在显著性检测方面，针对显著区域的这一性质引进了聚集度的概念，并对数据集合的聚集度性质进行了定义和证明；提出了一个新颖的配备了残差修复模块（RRBs）的循环残差改善网络（R^3Net）去更加精确地检测输入图像中的显著性物体；提出了一个用于检测阴影的网络，其通过探索和结合处于网络高层的全局上下文信息和处于网络低层的局部上下文信息来进行检测；在聚类集成方面，设计了一个新的噪音免疫聚类集成算法AP2CE，用于解决噪音数据集所带来的挑战；提出了DSCE分布式聚类结构集成框架来寻求最具有代表性的融合聚类结构；提出了一种随机双聚类 的聚类集成框架（RDCCE）用于癌症基因表达数据的聚类；提出了一种基于自适应混合特征选择的分类器集合（AHFSE）用于癫痫发作分类；在生物特征识别方面，提出深度安全量化（DSQ），这是一种新的生物特征哈希方案，用于保护隐私的生物特征识别；还提出了一个快速的基于结构的ASCII艺术生成方法，它可以接受任意的图像作为 输入；提出一种基于手机的内侧指横纹（IKP）生物特征识别；. 此外，我们在机器学习与分类、图像分割、图像加密、阴影检测、多维基因组数据分析、基因-药物共表达模块发现、车辆快速检测、交通流预测等方面进行了探讨，取得了一定成果。