声明
摘要
1.1 研究背景与意义
1.2 国内外研究现状
1.2.1 子空间方法
1.2.2 基于稀疏表示的方法
1.2.3 基于深度学习的方法
1.3 相关稀疏表示方法介绍
1.3.1 基于稀疏表示的人脸识别算法(SRC)
1.3.2 基于稀疏表示的过完备字典学习算法(K-SVD)
1.3.3 基于稀疏表示的隐字典学习方法(LDL)
1.3.4 基于局部线性KNN模型的图像识别算法(LLKNN)
1.4 本文的工作与安排
第二章 基于非负局部线性KNN模型的图像识别算法
2.1 基于非负局部线性KNN模型的图像识别算法
2.1.1 非负局部线性KNN模型的构建
2.1.2 非负局部线性KNN模型算法
2.2 算法收敛性分析
2.3 分类
2.4 实验参数与结果分析
2.4.1 稀疏系数的初始化影响
2.4.2 初始转换(SPT)对识别率的影响
2.4.3 固定参数对识别率的影响
2.4.4 特征维数对识别率的影响
2.4.5 消耗时间的分析
2.5 实验结果与分析
2.5.1 图像实例分析
2.5.2 鲁棒性分析
2.5.3 场景识别
2.5.4 人脸识别
2.6 本章小结
第三章 基于加权局部线性KNN模型的图像识别算法
3.1 加权局部线性KNN模型
3.1.1 加权局部线性KNN模型的构建
3.1.2 加权局部线性KNN模型算法
3.2 算法收敛性分析
3.3 算法复杂度分析
3.4 实验参数与结果分析
3.4.1 不同权重形式对实验结果的影响
3.4.2 初始转换(SPT)对实验结果的影响
3.4.3 固定参数对实验结果的影响
3.4.4 特征维数对实验结果的影响
3.5 实验结果与分析
3.5.1 场景识别
3.5.2 人脸识别
3.5.3 动作识别
3.6 本章小结
第四章 基于非负加权局部线性KNN模型的图像识别算法
4.1 非负加权局部线性KNN模型算法
4.1.1 非负加权局部线性KNN模型的构建
4.1.2 非负加权局部线性KNN模型算法
4.2 算法收敛性分析
4.3 实验参数与结果分析
4.3.1 不同权重形式对实验结果的影响
4.3.2 初始转换(SPT)对实验结果的影响
4.3.3 固定参数对实验结果的影响
4.3.4 特征维数对实验结果的影响
4.4 实验结果与分析
4.4.1 AR数据集
4.4.2 FERET数据集实验
4.4.3 15Scenes数据集实验
4.5 本章小结
第五章 总结与展望
5.1 本文研究工作与成果
5.2 展望
参考文献
致谢
攻读硕士学位期间发表的学术论文