協(xié)同表達優(yōu)化新方法及其在圖像識別中的應用.pdf

1、基于稀疏表示的圖像分類是一種將壓縮感知理論用于其中的新方法，具有較高的分類性能。而協(xié)同表達方法作為稀疏表示的一個重要分支，其分類性能經常會受到樣本數(shù)據(jù)冗余的影響。近來，為了解決這個問題，一些最新文獻通過使用更有效的訓練樣本或者樣本特征構造字典來對測試樣本進行表達學習，從而提高分類性能。受此啟發(fā)，以挖掘更有效的人臉特征為基礎，以字典的優(yōu)化學習為目標，我們改進了以人臉特征為字典元素的優(yōu)化表達學習方法，以期獲得更好的分類性能，主要工作和創(chuàng)新點

2、總結如下：
　　1）在字典優(yōu)化學習方面：我們提出了一種基于字典樣本優(yōu)化的協(xié)同表達分類算法，該算法通過直方圖度量來尋找與測試樣本更相似的訓練樣本，從而降低訓練數(shù)據(jù)中的冗余。我們首先得到訓練樣本和測試樣本的直方圖向量，然后在直方圖所在的低維空間，通過歐式距離來度量測試樣本與訓練樣本的相似性，以此篩選得到有競爭力訓練樣本。最后以這些樣本為字典元素，對測試樣本進行更有效的表達分類，從而實現(xiàn)魯棒的人臉識別。在 ORL、FERET和 Geor

3、gia Tech三個常用數(shù)據(jù)集上的實驗結果證明了我們的算法的可行性和有效性。
　　2）在特征字典構造及優(yōu)化學習方面：我們提出了一種基于局部二值特征字典構造及優(yōu)化的協(xié)同表達分類算法，該方法用樣本的局部特征代替樣本本身構造字典，目的是增強對面部變化的魯棒性。我們以分塊圖像為基礎獲得樣本的局部特征，然后用樣本特征進行協(xié)同表達分類。在ORL和FERET兩個常用的數(shù)據(jù)集上進行了實驗對比，結果證明LBP構造特征字典能提高分類性能。
　　

4、同時，為了降低特征字典的冗余，我們將字典優(yōu)化方法應用于 LBP特征字典中。通過此方式，既利用了 LBP特征的良好分類性能，又降低了特征數(shù)據(jù)的冗余。在 ORL和FERET兩個常用的數(shù)據(jù)集上進行了實驗，結果顯示分類性能又得到了進一步的提升。由于特征提取與樣本淘汰策略的緣故，我們算法消耗的更多的時間，即我們的算法是在消耗了一定的時間基礎上提高識別率的。
　　綜上所述，我們在協(xié)同表達分類算法的基礎上進行了研究，針對冗余問題提出了一些改進方