基于稀疏表達(dá)的若干分類問(wèn)題研究.pdf

1、在模式分類領(lǐng)域，稀疏表達(dá)作為一種有效和魯棒的特征表達(dá)和選擇方法，近年來(lái)已經(jīng)被應(yīng)用到了大量的實(shí)際應(yīng)用問(wèn)題當(dāng)中?；谄鋱?jiān)實(shí)的理論基礎(chǔ)，本論文對(duì)稀疏表達(dá)在分類問(wèn)題中的應(yīng)用進(jìn)行了研究。
　　前景背景分割是一類特殊的單類圖像分類問(wèn)題，在視頻監(jiān)控中有著廣泛的應(yīng)用。本論文對(duì)基于子空間的背景建模算法進(jìn)行分析，提出了基于空時(shí)稀疏表達(dá)的背景建模算法。引入主成分分析法生成的低維子空間作為背景圖像塊的重建模型，避免了需要標(biāo)記背景訓(xùn)練數(shù)據(jù)的不便。以具有一定

2、相關(guān)性的特征向量作為字典，針對(duì)傳統(tǒng)方法使用局部子空間重建圖像塊可能會(huì)造成的前背景誤分，提出使用稀疏表達(dá)來(lái)全局搜索重建圖像塊的子空間，增加了算法的魯棒性。使用在線的主成分分析法對(duì)字典進(jìn)行增量更新，在此基礎(chǔ)上提出一種新的字典更新策略增強(qiáng)了模型對(duì)誤分的恢復(fù)，并對(duì)規(guī)律動(dòng)態(tài)背景的有更好描述能力。為了降低算法時(shí)間復(fù)雜度，提出使用壓縮感知理論中的隨機(jī)投影技術(shù)對(duì)空時(shí)圖像塊進(jìn)行降維。所提方法對(duì)全局和局部的漸變和突變光照變化不敏感，部分解決了子空間方法中普

3、遍存在的低對(duì)比度前景丟失問(wèn)題，有一定的對(duì)動(dòng)態(tài)背景的適應(yīng)能力，能夠適應(yīng)現(xiàn)實(shí)場(chǎng)景環(huán)境的變化。
　　人臉識(shí)別是經(jīng)典的多類圖像分類問(wèn)題。針對(duì)標(biāo)記樣本數(shù)很少的情況，本論文提出基于稀疏表達(dá)的半監(jiān)督自學(xué)習(xí)人臉識(shí)別算法。由于人臉是高維數(shù)據(jù)，當(dāng)標(biāo)記樣本數(shù)少的時(shí)候，基于稀疏表達(dá)的分類器由于字典是欠完備的，分類效果不能得到保證。本文提出使用半監(jiān)督降維方法對(duì)原始高維人臉進(jìn)行降維，同時(shí)利用標(biāo)記樣本的類別信息和未標(biāo)記訓(xùn)練樣本與標(biāo)記訓(xùn)練樣本的空間流形結(jié)構(gòu)信息，

4、在訓(xùn)練過(guò)程中不斷地將置信度高的未標(biāo)記樣本加入標(biāo)記樣本集，從而逐步增強(qiáng)低維子空間的判別能力。同時(shí)，降維后的標(biāo)記樣本能夠作為天然的過(guò)完備的字典，使用稀疏表達(dá)分類器進(jìn)行人臉識(shí)別，避免了當(dāng)數(shù)據(jù)分布為非高斯時(shí)使用樣本均值進(jìn)行分類造成的偏差。為了更充分的利用稀疏表達(dá)的判別能力，提出將兩種在原始高維空間中使用稀疏表達(dá)生成的圖結(jié)合到自學(xué)習(xí)框架中，增加了算法的一致性，進(jìn)一步提高了分類效果。
　　核最小均方誤差是一種基于核方法和多元回歸的分類算法。針

5、對(duì)原始算法在訓(xùn)練樣本數(shù)過(guò)多時(shí)產(chǎn)生的計(jì)算負(fù)擔(dān)，在總結(jié)各子集選擇算法的基礎(chǔ)上，本論文提出基于稀疏約束的核最小均方誤差模型。通過(guò)將稀疏約束加入原始的核最小均方誤差模型，使用最小角回歸算法選擇稀疏表達(dá)系數(shù)不為零的結(jié)點(diǎn)作為顯著結(jié)點(diǎn)，在不損失分類精度的情況下大大降低了算法的計(jì)算負(fù)擔(dān)。同時(shí)，針對(duì)現(xiàn)實(shí)應(yīng)用中出現(xiàn)的樣本不均衡情況，進(jìn)一步改進(jìn)模型，加入代價(jià)懲罰因子，提出一種加權(quán)的基于稀疏約束的核最小均方誤差模型，解決了樣本不均衡帶來(lái)的分類面偏移問(wèn)題。