基于稀疏表示和超限學習機的智能地標識別算法.pdf

1、近些年，隨著智能移動終端的發(fā)展，地標識別已經(jīng)引起越來越多研究者的注意。提出一個具備高識別度和快速反應速度的識別系統(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)化超限學習機（Extreme Learning Machine，ELM）分別應用于地標識別，同時整合這兩個算法的優(yōu)點，我們提出了融合稀疏表示和超限學習機的地標識別框架。為了能有效的利用地標圖片的空間分

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）被用來進行圖片的特征提取和描述。下面是本論文的主要貢獻：
　?。?）基于稀疏表示的地標識別。首先用訓練樣本構造字典，那么待測樣本的識別問題就轉換為過完備等式下的線性表示問題。這個稀疏表示問題可以采用壓縮感知理論下的信號恢復算法求解。這里我們采用兩個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（Sparse Reconstruction by Separable Approximation，SpaRSA）。這個識別算法具有高的識別精度，但是識別速度慢。
　?。?）基于集成的約束優(yōu)化超限學習機的地標識別。約束優(yōu)化超限學習機是通過在超限學習機的輸出權重范數(shù)和訓練誤差之間引入一個規(guī)則化系數(shù)來調節(jié)目標函數(shù)的。為了提高識別性能，用基于集成的

4、約束優(yōu)化超限學習機來訓練分類器。實驗表明，提出的方法從整體上獲得了比原始的約束優(yōu)化超限學習機和支持向量機（Support Vector Machine，SVM）更好的性能。
　?。?）融合稀疏表示和超限學習機的地標識別。盡管稀疏表示和超限學習機都獲得了一些不錯的成就，但是設計出一個擁有高精度和快速反應速度的穩(wěn)定識別系統(tǒng)還是具有挑戰(zhàn)性的。為了解決這個問題，我們提出一個融合稀疏表示和超限學習機的地標識別框架。實驗表明，這個融合框架的地