面向SRC的判別投影.pdf

1、特征提取和分類是模式識(shí)別的兩個(gè)基本問題，其中子空間學(xué)習(xí)是一類經(jīng)典的特征提取方法，已被廣泛地應(yīng)用到圖像識(shí)別，模式識(shí)別等領(lǐng)域。目的是尋找一個(gè)投影矩陣使得投影后的低維描述滿足后續(xù)分析，如分類。K近鄰(K-Nearest Neighbors，KNN)分類器是一種經(jīng)典的分類器，缺點(diǎn)是對(duì)遮擋和噪音非常敏感，導(dǎo)致算法不魯棒。相比KNN，基于稀疏表示的分類器(Sparse Representation-based Classifier，SRC)對(duì)圖像噪

2、音、遮擋具有很好的分類性能，已被廣泛地應(yīng)用到圖像識(shí)別、計(jì)算機(jī)視覺、模式識(shí)別等領(lǐng)域。然而，現(xiàn)有的特征提取方法大多與SRC沒有直接的聯(lián)系，導(dǎo)致利用SRC的分類性能不是很好，針對(duì)此問題，本文從SRC入手，研究了更適用于SRC的判別投影方法，主要內(nèi)容包括：
　　1.針對(duì)基于稀疏表示分類器的判別投影(Sparse Representation Classifier steered Discriminative Projection，SRC-

3、DP)算法僅考慮樣本數(shù)據(jù)的重構(gòu)殘差，忽略局部判別幾何結(jié)構(gòu)，導(dǎo)致算法性能不夠好，給出一種基于稀疏分類的線性判別投影方法。該算法試圖尋找一個(gè)投影矩陣，使得投影后的訓(xùn)練樣本滿足用與訓(xùn)練樣本同類的原子重構(gòu)出這個(gè)訓(xùn)練樣本時(shí)，重構(gòu)誤差盡可能的??；同時(shí)，在不同類中找出與訓(xùn)練樣本相似的原子，使這些原子和該訓(xùn)練樣本之間的距離盡可能的大，較好地刻畫了數(shù)據(jù)局部判別幾何結(jié)構(gòu)。在五個(gè)數(shù)據(jù)庫(kù)上的實(shí)驗(yàn)結(jié)果證明了該算法的有效性。
　　2.針對(duì)稀疏描述不能保證非零