線性編碼框架下的圖像特征提取及識別方法研究.pdf

1、圖像分類識別是目前計算機視覺和模式識別領域的一個研究熱點。其中，基于線性編碼分類器的圖像識別方法因其識別效率較高，受到了國內(nèi)外學者的廣泛關注。然而，現(xiàn)有的基于線性編碼的識別方法在圖像存在光照變化、視角變化、遮擋或者像素污染等情況下，魯棒性較差，從而導致最終的識別效果不佳。本文在線性編碼框架下，對圖像特征提取及識別進行了深入系統(tǒng)的研究，主要創(chuàng)新點如下：
　　1)提出一種用于稀疏表示分類器(SRC)的特征提取方法——稀疏嵌入投影(SE

2、P)。該方法尋求一個低維嵌入子空間，使得在該子空間中，與測試樣本同類的訓練樣本所對應的表示系數(shù)得到增強，而所有與測試樣本不同類的訓練樣本所對應的表示系數(shù)得到壓縮，從而導致正確類對應的重構誤差小于錯誤類對應的重構誤差，進而使SRC能夠?qū)y試樣本正確分類。具體地，給定一個訓練樣本矩陣，該方法首先嘗試求解一個能在增強樣本數(shù)據(jù)類內(nèi)重構關系的同時，壓縮其類間重構關系的低維嵌入子空間；然后，將訓練樣本圖像和測試樣本圖像分別投影到該子空間中；最后，采

3、用SRC對測試樣本進行分類識別；
　　2)研究發(fā)現(xiàn)，低秩性可以揭示樣本數(shù)據(jù)的子空間結構，而稀疏性可以幫助圖像分類識別。結合稀疏性和低秩性的特點，本文提出一種基于低秩稀疏表示分類器(LRSRC)的圖像識別方法。具體地，給定一組測試樣本，首先在所有訓練樣本上尋找測試樣本組的最低秩且最稀疏表示矩陣；然后，基于每個測試樣本的最低秩稀疏表示向量，對每個測試樣本進行重構并計算其類重構誤差；最后，根據(jù)最小類重構誤差完成對每個測試樣本的分類識別；

4、
　　3)提出一種自適應局部約束正則化魯棒編碼(ALRRC)圖像識別方法。由于在編碼過程中同時考慮了樣本數(shù)據(jù)特征的重要性和樣本數(shù)據(jù)的空間局部性，因此，ALRRC可以使用那些更“真實”的最近鄰訓練樣本來表示測試樣本。具體地，給定一個測試樣本，該方法首先自適應地計算用于衡量測試樣本每個特征重要性的特征權重，并基于這些權重，得到加權測試樣本和所有加權訓練樣本；然后，基于加權測試樣本和所有加權訓練樣本間的相似關系，得到一個局部約束矩陣。由

5、于加權測試樣本和所有加權訓練樣本已經(jīng)盡可能地降低了異常特征的影響，因此，該局部約束矩陣可以更“真實”地描述樣本數(shù)據(jù)的空間局部特性；最后，將樣本特征權重和局部約束矩陣同時融入到一個統(tǒng)一的線性編碼框架中，求解測試樣本的表示系數(shù)向量，進而計算最小加權類重構誤差，完成對測試樣本的分類識別。
　　在COIL-20、ExtendedYale B、CMU PIE和AR數(shù)據(jù)庫上的大量實驗表明，本文提出的三種圖像識別方法具有較高的識別率和更強的魯棒