多重約束深度子空間稀疏優(yōu)化特征提取算法研究.pdf

1、圖像處理與模式識別是當今前沿科技中的重要研究領域，特征提取作為圖像識別的重要環(huán)節(jié)，對識別率、運算時間有著重要影響；近年來深度學習作為新的特征提取手段，在對圖像特征的語義描述能力方面很大程度上優(yōu)于傳統(tǒng)特征提取方法。本文從深度學習模型中的深層特征映射結構出發(fā)，結合目前國內外的相關研究成果，對深度子空間模型這一新興的深度特征提取模型進行研究改進。
　　首先，為了提高模型魯棒性，在深度子空間模型中融入稀疏表示相關理論，通過稀疏優(yōu)化方法對特

2、征提取過程進行約束。針對圖像中存在的噪聲干擾，通過構建誤差矩陣，在每層子空間特征映射過程中都針對稀疏特征矩陣和誤差矩陣進行最優(yōu)化求解，最大程度將噪聲干擾與稀疏特征相分離，保持特征提取結果的內在稀疏特性，便于后續(xù)的識別分類。實驗表明融入稀疏表示理論之后的深度子空間模型能夠有效應對圖像識別問題中的噪聲干擾，提高模式的識別率和魯棒性。
　　其次，為了解決自定義深層子空間的距離度量問題，提出距離度量標準自學習理論，通過求解深層子空間中最大

3、化類間距離來確定最優(yōu)距離度量映射矩陣。深層子空間相對于經典單層子空間，具特征維數(shù)高、數(shù)據分布更為復雜。通過度量自學習操作，能夠在每層子空間特征映射過程中最大化保留樣本間區(qū)分信息，從而得到特定子空間中對應的最優(yōu)距離度量標準，在該度量標準下，樣本特征的類間距離盡可能大，類內距離盡可能小，有利于后續(xù)的識別分類。實驗表明引入度量自學習機制的深度子空間模型能夠更好的對特征數(shù)據進行有效分析，從而提高系統(tǒng)識別效率。
　　最后，針對人臉圖像以及部