图像目标的识别——基于稀疏表示的图像识别算法研究

摘要

图像识别技术有着很广泛的应用空间。近些年来基于稀疏表示的识别方法正成为图像识别领域的热点。本文研究了国内外的已有算法，提出了几种改进的稀疏表达识别算法，并探讨了算法应用于红外图像识别的可行性。
　　本文首先学习了经典的稀疏表示方法并研究了常规的字典学习方法，在此基础上，仿真研究了基于字典学习的稀疏表示人脸识别方法。使用字典学习算法(K-SVD)，通过实验得到更好的参数，采用这种字典学习算法能通过缩小字典达到在保持识别率的基础上减少计算复杂度的效果。
　　研究了基于类别相关近邻子空间的最大似然稀疏表示识别算法。提出了一种改进参数的自适应近邻分类原则。通过这种自适应的方法从各类别训练样本中选择自适应数量的局部近邻构成新的字典，组成新的字典，然后基于最大似然表示模型实现图像识别。通过仿真实验验证，这种算法能有效的提高识别速度，还具有一定的鲁棒性，算法行之有效。
　　最后，本文分析了原子稀疏与结构稀疏两种准则的特点，提出了一种原子稀疏与结构稀疏结合的方法，主要研究了并行和串行两种方式。将并行加权计算的算法改进为少量样本自适应的求解权值得到最优权值，串行结合的计算方式是先进行原子稀疏准则再进行结构稀疏准则的方法。通过人脸数据库和少量的红外数据进行验证，验证了算法的有效性，并且讲这种算法推广到了红外数据。

目录

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