声明
摘要
1 绪论
1.1 研究的背景及意义
1.2 国内外研究现状及发展
1.3 本文研究方向重点
1.4 本文组织结构
2 基于稀疏表达的图像识别方法
2.1 稀疏表示理论和应用于图像识别的理论基础
2.2 基于稀疏表示的图像识别
2.2.1 稀疏表示的数学模型
2.2.2 稀疏表达的求解
2.2.3 稀疏表示的图像识别准则
2.3 稀疏表示图像识别方法的鲁棒性原理
2.4 小结
3 基于字典学习的稀疏编码图像表示和识别
3.1 概述
3.2 字典学习的介绍
3.2.1 几种常见的字典学习方法
3.2.2 两种经典字典学习方法比较
3.2.3 基于字典学习的人脸识别
3.3 实验分析与结果
3.3.1 Extend Yale B人脸库的仿真实验
3.3.2 ORL人脸数据库的仿真结果与分析
3.3.3 CMU PIE人脸数据库的仿真实验与结果
3.6 小结
4 类别相关的近邻子空间最大似然稀疏表示图像识别算法
4.1 概述
4.2 最大似然稀疏表示识别模型
4.2.1 最大似然估计模型
4.2.2 加权矩阵优化方式求解稀疏表示
4.3 基于类别相关近邻子空间的实时鲁棒稀疏表达识别算法
4.3.1 改进的类别自验证的近邻选择
4.3.2 基于类别的自适应近邻选择
4.4 实验仿真研究
4.4.1 AR人脸库的仿真实验
4.4.2 AR人脸库中伪装的人脸的仿真实验
4.4.3 Extended Yale B人脸库的仿真实验
4.5 小结
5 改进的原子稀疏与结构稀疏结合图像识别算法
5.1 引言
5.2 结构稀疏表示理论
5.3 改进的结构稀疏表示和原子稀疏表示结合的识别方法
5.3.1 自适应权值的原子稀疏与结构稀疏加权并行结合
5.3.2 改进的原子稀疏与结构稀疏表示串行结合方法
5.4 实验仿真结果及分析
5.4.1 人脸数据库上的实验
5.4.2 推广到红外数据上的实验
5.5 小结
6 总结与展望
致谢
参考文献
攻读硕士学位期间参加的科研情况