基于稀疏表示和超限學(xué)習(xí)機(jī)的智能地標(biāo)識(shí)別算法.pdf

1、近些年，隨著智能移動(dòng)終端的發(fā)展，地標(biāo)識(shí)別已經(jīng)引起越來越多研究者的注意。提出一個(gè)具備高識(shí)別度和快速反應(yīng)速度的識(shí)別系統(tǒng)是非常必要的。本論文中，我們首先把壓縮感知（Compressed Sensing，CS）理論中的稀疏表示方法和基于集成的約束優(yōu)化超限學(xué)習(xí)機(jī)（Extreme Learning Machine，ELM）分別應(yīng)用于地標(biāo)識(shí)別，同時(shí)整合這兩個(gè)算法的優(yōu)點(diǎn)，我們提出了融合稀疏表示和超限學(xué)習(xí)機(jī)的地標(biāo)識(shí)別框架。為了能有效的利用地標(biāo)圖片的空間分

2、層信息，近來比較流行的基于空間金字塔核的詞袋模型（Spatial Pyramid Kernel based Bag-of-Word，SPK-BoW）被用來進(jìn)行圖片的特征提取和描述。下面是本論文的主要貢獻(xiàn)：
　?。?）基于稀疏表示的地標(biāo)識(shí)別。首先用訓(xùn)練樣本構(gòu)造字典，那么待測(cè)樣本的識(shí)別問題就轉(zhuǎn)換為過完備等式下的線性表示問題。這個(gè)稀疏表示問題可以采用壓縮感知理論下的信號(hào)恢復(fù)算法求解。這里我們采用兩個(gè)具有代表性的方法來求解稀疏系數(shù)，正交基

3、追蹤（Orthogonal Matching Pursuit，OMP）和分離逼近的稀疏重構(gòu)（Sparse Reconstruction by Separable Approximation，SpaRSA）。這個(gè)識(shí)別算法具有高的識(shí)別精度，但是識(shí)別速度慢。
　?。?）基于集成的約束優(yōu)化超限學(xué)習(xí)機(jī)的地標(biāo)識(shí)別。約束優(yōu)化超限學(xué)習(xí)機(jī)是通過在超限學(xué)習(xí)機(jī)的輸出權(quán)重范數(shù)和訓(xùn)練誤差之間引入一個(gè)規(guī)則化系數(shù)來調(diào)節(jié)目標(biāo)函數(shù)的。為了提高識(shí)別性能，用基于集成的

4、約束優(yōu)化超限學(xué)習(xí)機(jī)來訓(xùn)練分類器。實(shí)驗(yàn)表明，提出的方法從整體上獲得了比原始的約束優(yōu)化超限學(xué)習(xí)機(jī)和支持向量機(jī)（Support Vector Machine，SVM）更好的性能。
　　（3）融合稀疏表示和超限學(xué)習(xí)機(jī)的地標(biāo)識(shí)別。盡管稀疏表示和超限學(xué)習(xí)機(jī)都獲得了一些不錯(cuò)的成就，但是設(shè)計(jì)出一個(gè)擁有高精度和快速反應(yīng)速度的穩(wěn)定識(shí)別系統(tǒng)還是具有挑戰(zhàn)性的。為了解決這個(gè)問題，我們提出一個(gè)融合稀疏表示和超限學(xué)習(xí)機(jī)的地標(biāo)識(shí)別框架。實(shí)驗(yàn)表明，這個(gè)融合框架的地