基于稀疏表示和深度學習的圖像識別算法及應用研究.pdf

1、隨著計算機科技、物理和傳感器技術、存儲技術、網絡技術的飛速發(fā)展，數(shù)據(jù)的膨脹日益加劇。手機隨時拍以及各種場合不同用途的監(jiān)控攝像頭時時刻刻產生著海量圖像（視頻）數(shù)據(jù)，各類智能移動機器人的研究中也在不斷收集和積累著實驗和測試圖像和視頻。從信號處理的角度來說，圖像是高維數(shù)據(jù)，攜帶了大量復雜的信息和特征，如何對圖像數(shù)據(jù)進行高效的分析識別從而加以合理利用，是目前亟待研究和解決的問題。稀疏表示是近年來提出的一種新穎的信號處理技術，而壓縮感知為其奠定了

2、工程應用的理論基礎。目前稀疏表示已經被廣泛的應用于計算機視覺、機器學習等領域，并且取得了有益的成果。例如:圖像壓縮、圖像去噪、圖像超分辨率、圖像重建、圖像分類識別等等。本文對基于稀疏表示和深度學習的圖像識別算法及應用進行了深入的研究，主要工作概括如下:
　　1.圖像稀疏表示和深度學習方法。概括并重新描述了圖像稀疏表示的基本框架、方法;重點研究和重新描述了壓縮感知的理論框架，包括信號的稀疏表示、觀測矩陣設計、信號重構理論。同時對深度

3、學習的基礎函數(shù)進行描述和總結。
　　2.提出了一種基于Log-Gabor的稀疏表示分類識別算法，通過將樣本數(shù)據(jù)的全局特征和局部特征信息進行融合，達到提高識別率的效果。該算法在壓縮感知和稀疏表示的框架下，利用相同類別樣本之間在其特征子空間中的線性相關性，通過求解待識別樣本在所有訓練樣本上的全局表示，利用全局特征進行構造詞典，并結合樣本的局部特征，對待識別樣本進行稀疏分解和表達，使得到的稀疏表示向量盡可能具備特異性，能夠應對每類訓練樣

4、本數(shù)量較少的情況，減少類別對應數(shù)量，提高分類識別結果的準確性。在人臉識別和交通標志識別的實驗表明，在隨著訓練樣本數(shù)量和樣本類別數(shù)量的增加，Log-GSRC算法比SRC算法在識別率上面有顯著提高。
　　3.提出了一種基于字典學習的稀疏表示分類識別算法，通過字典學習算法設計一個有效的稀疏表示超完備冗余字典，可以應對大多數(shù)樣本數(shù)據(jù)量比較小的情況并在一定程度上解決外部環(huán)境變化導致的圖像變異性大的問題，從而對待識別圖像獲得更稀疏和更精確的表

5、示，然后使用稀疏表示分類器來進行圖像識別。將該算法應用在人臉識別和交通標志識別上，實驗結果表明，隨著訓練樣本數(shù)不停地增加時識別率隨著訓練樣本數(shù)量增加有顯著的提高。
　　4.提出了一種基于深度學習特征的稀疏表示分類識別算法，針對大樣本數(shù)據(jù)提取樣本特征并進行網絡訓練，設計了深度卷積網絡模型，并運用稀疏表達方法，可在一定程度上有效地去除由于光照、遮擋、神態(tài)、姿勢等一些不確定性因素造成獲取圖像質量不穩(wěn)定的影響。該算法利用深度學習方法提取樣