论文部分内容阅读
在计算机视觉领域中,图像识别技术在各种应用场景中发挥着至关重要的作用。因此,各种图像识别方法也相继被众多研究者提出来,其中最成功的方法是子空间方法和基于稀疏表示的(SR)方法,而且稀疏表示对于图像分类的问题有不错的效果。基于局部线性KNN模型的图像识别算法(LLKNN)是一个性能及鲁棒性都不错的图像识别算法。该算法通过考虑重构性、稀疏性、局部性来学习稀疏表示系数,它使用所有训练样本的线性组合来表示测试样本。LLKNN模型所获得的表示系数保持了最近邻的分组属性,而且该算法将稀疏表示与分类联系在一起,提出了基于局部线性KNN模型的分类器(LLKNNC)和局部线性最近均值分类器(LLNMC)。本文主要对局部线性KNN模型进行深入的研究,针对其中的不足提出相应的改进算法。由于LLKNN模型中的表示系数有正有负,在一些实际场景中,负的表示系数是不合理的和无意义的,为了提高LLKNN模型的性能和避免负的表示系数的不利影响。因此,本文第一个研究内容是在LLKNN算法的基础上,对表示系数进行非负约束,提出基于非负局部线性KNN模型(NLLKNN)的图像识别算法。本文第二个研究内容是将测试样本与训练样本之间的相关性作为约束,通过对LLKNN模型所获得的表示系数加上合理的权值,提出基于加权局部线性KNN模型(WLLKNN)的图像识别算法。本文第三个研究内容是在LLKNN算法的基础上,同时加入非负限制和权重,提出基于非负加权的局部线性KNN模型(NWLLKNN)的图像识别算法。本文的研究内容总结如下:(1)为了提高基于局部线性KNN模型的图像识别算法(LLKNN)的分类效果,使获得的表示系数更加合理,在LLKNN算法的基础上引入非负约束,提出基于非负局部线性KNN模型(NLLKNN)的图像识别算法。本文不仅给出一个迭代更新算法来求解非负稀疏系数,并且给出了目标函数的收敛性证明。实验结果表明,与原始的LLKNN算法相比,NLLKNN算法能够获得更好的性能并且更具有鲁棒性。(2)为了使得LLKNN方法获得的表示系数更加稀疏,考虑到测试样本与训练样本之间的相关性,将权重引入到局部线性KNN模型的表示系数中,提出基于加权局部线性KNN模型的图像识别算法(WLLKNN)。通过对表示系数加权的形式,使得测试样本与训练样本相关性强的表示系数增大,反之则被压缩,从而提高了分类的精确度。WLLKNN算法给出了五种不同的加权形式,同时提出了一个简单有效的迭代算法来求解表示系数并且给出了算法的理论证明。在多个不同的图像库上进行了实验,其实验结果表明,相较于原始的LLKNN算法,WLLKNN算法的识别性能有一定的提升。(3)由于非负局部线性KNN模型和加权局部线性KNN模型都能够获得更好的识别效果。因此,在局部线性KNN模型的基础上,我们结合稀疏表示系数的非负约束和对表示系数进行加权,提出基于非负加权的局部线性KNN的图像识别算法(NWLLKNN)。文中给出了一个迭代更新算法来求解NWLLKNN模型的稀疏表示系数,并给出了算法的理论证明。在多个图像库上的实验结果验证了 NWLLKNN算法的有效性。