对于经典的模式识别方法,我们都主要是按照预处理、特征提取、特征选择(降维)、训练分类器(或分类),后处理几部分构成。在实际操作中,我们会经常发现我们会将不同的特征结合起来共同使用。比如对于视频领域的Mo-SIFT特征其实就是将SIFT特征和光流特征结合而来。再比如对于人脸识别,我们很可能会将块纹理特征(和LBP、Haar)和梯度直方图特征结合。在这些结合中我们都产生了关于不同类型特征结合的朴素思想,最简单的就是将不同的特征连在一起编程一个特征向量。这些思想都是有效且合理的。在这篇博客中,我们仅仅将这些朴素的思想进行总结。
我们基于特征联合发生在模式识别的不同阶段,将其主要分为三个层次。第一个层次是特征层,第二个层次是特征分数层,第三个是分类结果层。对于每个不同层次又有数中简单可行的方法同大家分享。
1. 第一层——特征层
特征层的思想就如上面我们举的例子一样,非常简单。把不同的特征联合在一起。但我们应该是什么是联合呢?假设我们有两类特征A和B,那我们是应该先将它们联合在一起形成一个统一