论文部分内容阅读
图像识别是模式识别和计算机视觉领域的热点研究课题,广泛应用于国防军事、公共安全、工业和日常生活的诸多方面。最近几年,基于信号稀疏表示的方法在图像识别方面取得了较好的效果,基于稀疏表示的模式识别理论受到越来越多研究者的关注。本文在分析总结国内外相关研究的基础上,讨论以下三种改进的基于稀疏表示的图像识别算法。首先,考虑到Gabor特征对光照、表情和姿态等变化的鲁棒性,研究Gabor特征集结合判别式字典学习的稀疏表示图像识别算法。先提取图像对应不同方向、不同尺度的多个Gabor特征;然后将降维的增广Gabor特征矩阵作为初始特征字典,通过对该字典的学习得到对样本既具有表示能力又具有判别性的新字典;最后在新字典上进行稀疏编码。实验结果验证了算法的有效性。其次,研究基于多尺度局部判别字典学习的稀疏表示人脸识别算法。首先将图像划分为多尺度的不重叠图像块构建局部图像子集并作为原始字典;然后在利用样本的类别信息基础上,分别联合学习出具有判别性的过完备字典及对应的优化分类器。测试样本的所有图像块在相应的字典上分别进行稀疏表示,最后利用投票策略最终判定样本的类别。实验结果证明了该算法的合理性。最后,考虑到图像识别中全局与局部信息的互补作用,研究基于全局和局部特征联合稀疏表示的人脸图像识别算法。首先,分别抽取图像的全局和局部特征构建全局和局部特征字典;然后图像的特征向量在相应的特征字典上进行联合编码,此外,在编码域通过自适应加权反映不同特征贡献的大小;最后通过总体编码误差来判定待识别图像所属的类别。实验结果证明了该算法的可行性。