基于遷移學(xué)習(xí)的模糊圖像識(shí)別技術(shù)研究.pdf

1、近幾年，人臉識(shí)別和視頻監(jiān)督等應(yīng)用受到了人們的巨大關(guān)注，但是由于受到圖像獲取裝置與物體之間相對(duì)運(yùn)動(dòng)、鏡頭散焦或者大氣湍流等因素的影響，通常會(huì)獲得大量模糊的圖像。常見(jiàn)的人工構(gòu)造的視覺(jué)描述子，如LBP、HOG等，屬于模糊敏感的描述子。盡管現(xiàn)階段已經(jīng)提出一些模糊不敏感的描述子，例如LPQ、不變矩等，但這些描述子大都基于中心對(duì)稱假設(shè)來(lái)構(gòu)造的。由于現(xiàn)實(shí)中的模糊大都不滿足中心對(duì)稱假設(shè)，這些描述子的識(shí)別性能迅速下降。
　　首先，論文提出一種基于遷

2、移學(xué)習(xí)機(jī)制的模糊圖像識(shí)別算法，該方法將具有標(biāo)簽信息的清晰圖像集作為源域，將待識(shí)別的模糊圖像集作為目標(biāo)域。因?yàn)槌Ｒ?jiàn)的視覺(jué)描述子都不具有完全的模糊不變性，兩個(gè)域在特征空間中具有很大的分布差異。論文通過(guò)子空間對(duì)齊的方法使得兩個(gè)域更加接近，構(gòu)造更魯棒的分類器。
　　其次，提出一種基于測(cè)度學(xué)習(xí)的遷移學(xué)習(xí)算法，該方法充分利用清晰圖像的標(biāo)簽信息，構(gòu)建表達(dá)能力更強(qiáng)的源子空間，同時(shí)提出一種新的子空間對(duì)齊算法。
　　然后，提出一種基于低秩分解的

3、遷移學(xué)習(xí)技術(shù)，使用多級(jí)低秩分解后的平均稀疏成份作為兩個(gè)域的新的特征表達(dá)，在新的特征空間進(jìn)行子空間建立和對(duì)齊，提升多模糊情況下的模糊圖像識(shí)別能力。最后，論文研究深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)提取的特征在模糊情況下的域不變性，利用 VGG-16網(wǎng)絡(luò)進(jìn)行特征提取，并使用線性SVM進(jìn)行分類。
　　在人臉、紋理、場(chǎng)景三類數(shù)據(jù)庫(kù)上進(jìn)行實(shí)驗(yàn)，驗(yàn)證模糊域圖像分別存在單模糊類型和多模糊類型時(shí)各類方法的有效性。實(shí)驗(yàn)結(jié)果表明，三類遷移學(xué)習(xí)技術(shù)在各種情況下都取