集成稀疏描述的判別投影及圖像識別.pdf

1、圖像識別是模式識別、機(jī)器學(xué)習(xí)領(lǐng)域的研究熱點，它是指利用計算機(jī)對圖像進(jìn)行分析、處理，識別各種不同模式的目標(biāo)和對象的技術(shù)。隨著信息采集技術(shù)與計算機(jī)技術(shù)的迅速發(fā)展，實際獲取的圖像維度越來越高。所以如何學(xué)習(xí)特征有效的描述數(shù)據(jù)是當(dāng)前研究的重點和難點。特征提取是一種有效的解決方案，其目的是挖掘隱藏在高維數(shù)據(jù)中的內(nèi)在低維幾何描述，通過特征提取可以降低算法的計算復(fù)雜度。本文從稀疏描述入手，研究了適用于稀疏描述的判別特征提取，主要內(nèi)容和貢獻(xiàn)有：
　

2、　一、針對線性判別分析(Linear Discriminant Analysis，LDA)只考慮了數(shù)據(jù)的全局幾何結(jié)構(gòu)，導(dǎo)致內(nèi)在幾何結(jié)構(gòu)描述不準(zhǔn)確及分類性能不是很好等問題，借助稀疏描述的優(yōu)點（較好地刻畫了數(shù)據(jù)的局部幾何結(jié)構(gòu)），提出了一種基于稀疏描述的線性判別投影算法(SD-LDP)，該算法的目的是尋找投影矩陣，使得低維描述既滿足LDA準(zhǔn)則，又適合稀疏描述分類器（Sparse Repreentation Classifier，SRC）。相比

3、LDA和基于稀疏描述的SRC-DP算法，該算法較好地刻畫了數(shù)據(jù)的幾何結(jié)構(gòu)，性能比較穩(wěn)定。在幾個數(shù)據(jù)庫上的實驗結(jié)果驗證了所提算法的有效性。
　　二、針對SRC-DP算法對噪聲或者遮擋不魯棒的問題，提出了魯棒稀疏判別投影算法。該算法首先用 RPCA對訓(xùn)練樣本進(jìn)行預(yù)處理得到無噪聲的干凈圖像，達(dá)到去噪的目的；然后考慮到系數(shù)的稀疏分布特性，提出了指向類心的稀疏判別投影算法。該算法使得低維描述較好地的稀疏描述，即系數(shù)的非零值盡可能分布在同類原