新一代人工智能时代的到来让当前计算机视觉领域面临若干基础性问题,如超高维度的数据,庞大的样本量,缺乏内在结构先验知识的非线性数据,易受到噪声污染的视频数据等。如何对这些数据进行聚类分析并且构造高效的聚类算法是当前机器学习领域中需要攻克的难点之一,具有重要的科学意义和较高的实际应用价值。稀疏子空间聚类方法为这些数据分析提供了一种很好的解决手段,但目前也存在一些挑战。视频数据中的图像具有空间自相关效应,而当前稀疏子空间聚类算法只是简单地将图像像素串接在一起,既缺乏对非线性数据的描述又忽视对图像数据时空本质属性进行刻画,难以充分表达其蕴含的语义信息。本文以图像序列为对象,研究基于时空特性的稀疏子空间聚类方法,挖掘图像序列的时空规律。本文基于稀疏子空间聚类问题的一般表示模型,综合考虑图像数据在时间和空间上的有序性,继而提出多方面改进的稀疏子空间聚类算法;在无标签的图像序列中进行手写数字识别、视频场景分割、人脸识别和物体识别等应用研究,具有一定的理论价值与较强的实际意义。本文的主要贡献如下:实际应用中图像序列数据时间和空间上都具有连续性,统计上并非独立的,违反了传统线性模型的共同假设。平滑表示子空间聚类算法(SmoothRepresentationClustering,SMR)采用K近邻算法(KNN)选择表示样本,KNN图中的所有节点都被认为同等重要。本文应用交叉视角的权值函数来评价平滑表示子空间聚类(SMR)中不同节点的贡献,优化K近邻的结构。在理论上我们定义了一种交叉视角的时空核函数(Cross-viewKernelFunction),分析其性质和合法性,并在此基础上设计出有序的平滑表示子空间聚类(OrderedSmoothRepresentationClustering,OSMR)算法,从不同的视角出发刻画其时空本质属性。数据的表示由不同的内核组成,对应于不同的相似性度量,为图像序列的相似性分析提供了一个新的思路。本文还提出了基于全局KNN图上的核随机游走的平滑子空间聚类算法,通过核化随机游走的高阶转移概率矩阵来优化KNN图结构,提高视频场景分割效果。高噪声对于图像序列稀疏子空间聚类是一个挑战,本文利用小波多尺度变换对图像数据的空间先验信息进行挖掘,结合稀疏子空间聚类的手段恢复图像数据潜藏在高维空间中的低维子空间的结构。在算法设计方面,由于稀疏子空间聚类方法随机选择稀疏编码系数,因此其易损害相似度矩阵的块对角化结构,我们进一步采用去噪的拉普拉斯约束来加强块对角化结构,客观上促进稀疏子空间聚类中类内相关性最大化,类间相关性最小化。在模拟数据的时间特性中,我们受到TIERNEY的序列稀疏子空间聚类方法的启发,通过设置特殊的惩罚项来反映领域样本之间时间连续性,并实现了惩罚因子的自适应调节,无需人工干预。高维图像数据存在明显的图形特征和概率分布特性。在Wavelet-HOG变换核视角下的稀疏子空间聚类框架中,一方面小波变换可以区分图像的边缘和低频元素,有效地描述图形特征;另一方面面向梯度直方图方法(HOG)从概率统计属性的角度来描述图像特性。两者结合构造出的Wavelet-HOG核算子能提取出图像的全局统计特征和局部空间约束的特征。此外我们对视频的时间轴属性进行刻画,提出有序的稀疏子空间聚类算法(AnorderedsparsesubspaceclusteringalgorithmbasedonLpNorm,LpOSC),依靠基于Lp范数的惩罚项来体现视频中相邻帧图像在时域上的相关性。这是对一般的稀疏子空间聚类算法的推广和改进。综上本文提出基于时空特性的稀疏子空间聚类方法,可应用于无标签的图像和视频数据聚类分析。经过大量实验验证,上述算法表明不仅能增强有效性,LpOSC还能应对图像数据的高噪声性、光照问题、形变问题和角度问题,提升了准确性和鲁棒性,以后我们将研究如何使用分布式优化技术来提高这些方法的速度。