基于稀疏表達的若干分類問題研究.pdf

1、在模式分類領域，稀疏表達作為一種有效和魯棒的特征表達和選擇方法，近年來已經被應用到了大量的實際應用問題當中?；谄鋱詫嵉睦碚摶A，本論文對稀疏表達在分類問題中的應用進行了研究。
　　前景背景分割是一類特殊的單類圖像分類問題，在視頻監(jiān)控中有著廣泛的應用。本論文對基于子空間的背景建模算法進行分析，提出了基于空時稀疏表達的背景建模算法。引入主成分分析法生成的低維子空間作為背景圖像塊的重建模型，避免了需要標記背景訓練數據的不便。以具有一定

2、相關性的特征向量作為字典，針對傳統(tǒng)方法使用局部子空間重建圖像塊可能會造成的前背景誤分，提出使用稀疏表達來全局搜索重建圖像塊的子空間，增加了算法的魯棒性。使用在線的主成分分析法對字典進行增量更新，在此基礎上提出一種新的字典更新策略增強了模型對誤分的恢復，并對規(guī)律動態(tài)背景的有更好描述能力。為了降低算法時間復雜度，提出使用壓縮感知理論中的隨機投影技術對空時圖像塊進行降維。所提方法對全局和局部的漸變和突變光照變化不敏感，部分解決了子空間方法中普

3、遍存在的低對比度前景丟失問題，有一定的對動態(tài)背景的適應能力，能夠適應現(xiàn)實場景環(huán)境的變化。
　　人臉識別是經典的多類圖像分類問題。針對標記樣本數很少的情況，本論文提出基于稀疏表達的半監(jiān)督自學習人臉識別算法。由于人臉是高維數據，當標記樣本數少的時候，基于稀疏表達的分類器由于字典是欠完備的，分類效果不能得到保證。本文提出使用半監(jiān)督降維方法對原始高維人臉進行降維，同時利用標記樣本的類別信息和未標記訓練樣本與標記訓練樣本的空間流形結構信息，

4、在訓練過程中不斷地將置信度高的未標記樣本加入標記樣本集，從而逐步增強低維子空間的判別能力。同時，降維后的標記樣本能夠作為天然的過完備的字典，使用稀疏表達分類器進行人臉識別，避免了當數據分布為非高斯時使用樣本均值進行分類造成的偏差。為了更充分的利用稀疏表達的判別能力，提出將兩種在原始高維空間中使用稀疏表達生成的圖結合到自學習框架中，增加了算法的一致性，進一步提高了分類效果。
　　核最小均方誤差是一種基于核方法和多元回歸的分類算法。針

5、對原始算法在訓練樣本數過多時產生的計算負擔，在總結各子集選擇算法的基礎上，本論文提出基于稀疏約束的核最小均方誤差模型。通過將稀疏約束加入原始的核最小均方誤差模型，使用最小角回歸算法選擇稀疏表達系數不為零的結點作為顯著結點，在不損失分類精度的情況下大大降低了算法的計算負擔。同時，針對現(xiàn)實應用中出現(xiàn)的樣本不均衡情況，進一步改進模型，加入代價懲罰因子，提出一種加權的基于稀疏約束的核最小均方誤差模型，解決了樣本不均衡帶來的分類面偏移問題。