線(xiàn)性編碼框架下的圖像特征提取及識(shí)別方法研究.pdf

1、圖像分類(lèi)識(shí)別是目前計(jì)算機(jī)視覺(jué)和模式識(shí)別領(lǐng)域的一個(gè)研究熱點(diǎn)。其中，基于線(xiàn)性編碼分類(lèi)器的圖像識(shí)別方法因其識(shí)別效率較高，受到了國(guó)內(nèi)外學(xué)者的廣泛關(guān)注。然而，現(xiàn)有的基于線(xiàn)性編碼的識(shí)別方法在圖像存在光照變化、視角變化、遮擋或者像素污染等情況下，魯棒性較差，從而導(dǎo)致最終的識(shí)別效果不佳。本文在線(xiàn)性編碼框架下，對(duì)圖像特征提取及識(shí)別進(jìn)行了深入系統(tǒng)的研究，主要?jiǎng)?chuàng)新點(diǎn)如下：
　　1)提出一種用于稀疏表示分類(lèi)器(SRC)的特征提取方法——稀疏嵌入投影(SE

2、P)。該方法尋求一個(gè)低維嵌入子空間，使得在該子空間中，與測(cè)試樣本同類(lèi)的訓(xùn)練樣本所對(duì)應(yīng)的表示系數(shù)得到增強(qiáng)，而所有與測(cè)試樣本不同類(lèi)的訓(xùn)練樣本所對(duì)應(yīng)的表示系數(shù)得到壓縮，從而導(dǎo)致正確類(lèi)對(duì)應(yīng)的重構(gòu)誤差小于錯(cuò)誤類(lèi)對(duì)應(yīng)的重構(gòu)誤差，進(jìn)而使SRC能夠?qū)y(cè)試樣本正確分類(lèi)。具體地，給定一個(gè)訓(xùn)練樣本矩陣，該方法首先嘗試求解一個(gè)能在增強(qiáng)樣本數(shù)據(jù)類(lèi)內(nèi)重構(gòu)關(guān)系的同時(shí)，壓縮其類(lèi)間重構(gòu)關(guān)系的低維嵌入子空間；然后，將訓(xùn)練樣本圖像和測(cè)試樣本圖像分別投影到該子空間中；最后，采

3、用SRC對(duì)測(cè)試樣本進(jìn)行分類(lèi)識(shí)別；
　　2)研究發(fā)現(xiàn)，低秩性可以揭示樣本數(shù)據(jù)的子空間結(jié)構(gòu)，而稀疏性可以幫助圖像分類(lèi)識(shí)別。結(jié)合稀疏性和低秩性的特點(diǎn)，本文提出一種基于低秩稀疏表示分類(lèi)器(LRSRC)的圖像識(shí)別方法。具體地，給定一組測(cè)試樣本，首先在所有訓(xùn)練樣本上尋找測(cè)試樣本組的最低秩且最稀疏表示矩陣；然后，基于每個(gè)測(cè)試樣本的最低秩稀疏表示向量，對(duì)每個(gè)測(cè)試樣本進(jìn)行重構(gòu)并計(jì)算其類(lèi)重構(gòu)誤差；最后，根據(jù)最小類(lèi)重構(gòu)誤差完成對(duì)每個(gè)測(cè)試樣本的分類(lèi)識(shí)別；

4、
　　3)提出一種自適應(yīng)局部約束正則化魯棒編碼(ALRRC)圖像識(shí)別方法。由于在編碼過(guò)程中同時(shí)考慮了樣本數(shù)據(jù)特征的重要性和樣本數(shù)據(jù)的空間局部性，因此，ALRRC可以使用那些更“真實(shí)”的最近鄰訓(xùn)練樣本來(lái)表示測(cè)試樣本。具體地，給定一個(gè)測(cè)試樣本，該方法首先自適應(yīng)地計(jì)算用于衡量測(cè)試樣本每個(gè)特征重要性的特征權(quán)重，并基于這些權(quán)重，得到加權(quán)測(cè)試樣本和所有加權(quán)訓(xùn)練樣本；然后，基于加權(quán)測(cè)試樣本和所有加權(quán)訓(xùn)練樣本間的相似關(guān)系，得到一個(gè)局部約束矩陣。由

5、于加權(quán)測(cè)試樣本和所有加權(quán)訓(xùn)練樣本已經(jīng)盡可能地降低了異常特征的影響，因此，該局部約束矩陣可以更“真實(shí)”地描述樣本數(shù)據(jù)的空間局部特性；最后，將樣本特征權(quán)重和局部約束矩陣同時(shí)融入到一個(gè)統(tǒng)一的線(xiàn)性編碼框架中，求解測(cè)試樣本的表示系數(shù)向量，進(jìn)而計(jì)算最小加權(quán)類(lèi)重構(gòu)誤差，完成對(duì)測(cè)試樣本的分類(lèi)識(shí)別。
　　在COIL-20、ExtendedYale B、CMU PIE和AR數(shù)據(jù)庫(kù)上的大量實(shí)驗(yàn)表明，本文提出的三種圖像識(shí)別方法具有較高的識(shí)別率和更強(qiáng)的魯棒