论文部分内容阅读
图像分类识别是目前计算机视觉和模式识别领域的一个研究热点。其中,基于线性编码分类器的图像识别方法因其识别效率较高,受到了国内外学者的广泛关注。然而,现有的基于线性编码的识别方法在图像存在光照变化、视角变化、遮挡或者像素污染等情况下,鲁棒性较差,从而导致最终的识别效果不佳。本文在线性编码框架下,对图像特征提取及识别进行了深入系统的研究,主要创新点如下:1)提出一种用于稀疏表示分类器(Sparse representation-based classification,SRC)的特征提取方法——稀疏嵌入投影(Sparsity embedding projections,SEP)。该方法寻求一个低维嵌入子空间,使得在该子空间中,与测试样本同类的训练样本所对应的表示系数得到增强,而所有与测试样本不同类的训练样本所对应的表示系数得到压缩,从而导致正确类对应的重构误差小于错误类对应的重构误差,进而使SRC能够对测试样本正确分类。具体地,给定一个训练样本矩阵,该方法首先尝试求解一个能在增强样本数据类内重构关系的同时,压缩其类间重构关系的低维嵌入子空间;然后,将训练样本图像和测试样本图像分别投影到该子空间中;最后,采用SRC对测试样本进行分类识别;2)研究发现,低秩性可以揭示样本数据的子空间结构,而稀疏性可以帮助图像分类识别。结合稀疏性和低秩性的特点,本文提出一种基于低秩稀疏表示分类器(Low rank sparse representation-based classification,LRSRC)的图像识别方法。具体地,给定一组测试样本,首先在所有训练样本上寻找测试样本组的最低秩且最稀疏表示矩阵;然后,基于每个测试样本的最低秩稀疏表示向量,对每个测试样本进行重构并计算其类重构误差;最后,根据最小类重构误差完成对每个测试样本的分类识别;3)提出一种自适应局部约束正则化鲁棒编码(Adaptive locality-constrained regularized robust coding,ALRRC)图像识别方法。由于在编码过程中同时考虑了样本数据特征的重要性和样本数据的空间局部性,因此,ALRRC可以使用那些更“真实”的最近邻训练样本来表示测试样本。具体地,给定一个测试样本,该方法首先自适应地计算用于衡量测试样本每个特征重要性的特征权重,并基于这些权重,得到加权测试样本和所有加权训练样本;然后,基于加权测试样本和所有加权训练样本间的相似关系,得到一个局部约束矩阵。由于加权测试样本和所有加权训练样本已经尽可能地降低了异常特征的影响,因此,该局部约束矩阵可以更“真实”地描述样本数据的空间局部特性;最后,将样本特征权重和局部约束矩阵同时融入到一个统一的线性编码框架中,求解测试样本的表示系数向量,进而计算最小加权类重构误差,完成对测试样本的分类识别。在COIL-20、Extended Yale B、CMU PIE和AR数据库上的大量实验表明,本文提出的三种图像识别方法具有较高的识别率和更强的鲁棒性。