基于稀疏表示和深度學(xué)習(xí)的圖像識(shí)別算法及應(yīng)用研究.pdf

1、隨著計(jì)算機(jī)科技、物理和傳感器技術(shù)、存儲(chǔ)技術(shù)、網(wǎng)絡(luò)技術(shù)的飛速發(fā)展，數(shù)據(jù)的膨脹日益加劇。手機(jī)隨時(shí)拍以及各種場(chǎng)合不同用途的監(jiān)控?cái)z像頭時(shí)時(shí)刻刻產(chǎn)生著海量圖像（視頻）數(shù)據(jù)，各類智能移動(dòng)機(jī)器人的研究中也在不斷收集和積累著實(shí)驗(yàn)和測(cè)試圖像和視頻。從信號(hào)處理的角度來說，圖像是高維數(shù)據(jù)，攜帶了大量復(fù)雜的信息和特征，如何對(duì)圖像數(shù)據(jù)進(jìn)行高效的分析識(shí)別從而加以合理利用，是目前亟待研究和解決的問題。稀疏表示是近年來提出的一種新穎的信號(hào)處理技術(shù)，而壓縮感知為其奠定了

2、工程應(yīng)用的理論基礎(chǔ)。目前稀疏表示已經(jīng)被廣泛的應(yīng)用于計(jì)算機(jī)視覺、機(jī)器學(xué)習(xí)等領(lǐng)域，并且取得了有益的成果。例如:圖像壓縮、圖像去噪、圖像超分辨率、圖像重建、圖像分類識(shí)別等等。本文對(duì)基于稀疏表示和深度學(xué)習(xí)的圖像識(shí)別算法及應(yīng)用進(jìn)行了深入的研究，主要工作概括如下:
　　1.圖像稀疏表示和深度學(xué)習(xí)方法。概括并重新描述了圖像稀疏表示的基本框架、方法;重點(diǎn)研究和重新描述了壓縮感知的理論框架，包括信號(hào)的稀疏表示、觀測(cè)矩陣設(shè)計(jì)、信號(hào)重構(gòu)理論。同時(shí)對(duì)深度

3、學(xué)習(xí)的基礎(chǔ)函數(shù)進(jìn)行描述和總結(jié)。
　　2.提出了一種基于Log-Gabor的稀疏表示分類識(shí)別算法，通過將樣本數(shù)據(jù)的全局特征和局部特征信息進(jìn)行融合，達(dá)到提高識(shí)別率的效果。該算法在壓縮感知和稀疏表示的框架下，利用相同類別樣本之間在其特征子空間中的線性相關(guān)性，通過求解待識(shí)別樣本在所有訓(xùn)練樣本上的全局表示，利用全局特征進(jìn)行構(gòu)造詞典，并結(jié)合樣本的局部特征，對(duì)待識(shí)別樣本進(jìn)行稀疏分解和表達(dá)，使得到的稀疏表示向量盡可能具備特異性，能夠應(yīng)對(duì)每類訓(xùn)練樣

4、本數(shù)量較少的情況，減少類別對(duì)應(yīng)數(shù)量，提高分類識(shí)別結(jié)果的準(zhǔn)確性。在人臉識(shí)別和交通標(biāo)志識(shí)別的實(shí)驗(yàn)表明，在隨著訓(xùn)練樣本數(shù)量和樣本類別數(shù)量的增加，Log-GSRC算法比SRC算法在識(shí)別率上面有顯著提高。
　　3.提出了一種基于字典學(xué)習(xí)的稀疏表示分類識(shí)別算法，通過字典學(xué)習(xí)算法設(shè)計(jì)一個(gè)有效的稀疏表示超完備冗余字典，可以應(yīng)對(duì)大多數(shù)樣本數(shù)據(jù)量比較小的情況并在一定程度上解決外部環(huán)境變化導(dǎo)致的圖像變異性大的問題，從而對(duì)待識(shí)別圖像獲得更稀疏和更精確的表

5、示，然后使用稀疏表示分類器來進(jìn)行圖像識(shí)別。將該算法應(yīng)用在人臉識(shí)別和交通標(biāo)志識(shí)別上，實(shí)驗(yàn)結(jié)果表明，隨著訓(xùn)練樣本數(shù)不停地增加時(shí)識(shí)別率隨著訓(xùn)練樣本數(shù)量增加有顯著的提高。
　　4.提出了一種基于深度學(xué)習(xí)特征的稀疏表示分類識(shí)別算法，針對(duì)大樣本數(shù)據(jù)提取樣本特征并進(jìn)行網(wǎng)絡(luò)訓(xùn)練，設(shè)計(jì)了深度卷積網(wǎng)絡(luò)模型，并運(yùn)用稀疏表達(dá)方法，可在一定程度上有效地去除由于光照、遮擋、神態(tài)、姿勢(shì)等一些不確定性因素造成獲取圖像質(zhì)量不穩(wěn)定的影響。該算法利用深度學(xué)習(xí)方法提取樣