集成超限学习机和稀疏表示的快速准确地标识别算法研究

Employing image recognition algorithms, an intelligent landmark recognition system is to retrieve the background, traffic or tourism information from a famous landmark or nature scene. It is found attractive in a lot of application fields, such as city navigation and information guide, street view, mobile shopping, etc. Existing landmark recognition algorithms generally faced two challenges: 1) the curse of dimensionality for local visual feature; and 2) the high computational complexity and the relatively lower recognition rate issue. In the light of these considerations, this project will mainly focus on developing the discriminative landmark feature extraction approach and the effective and efficient recognition algorithm. The project will be conducted on two aspects. On the one hand, we propose the discriminative feature extraction and dimensional reduction algorithm based on the significant value ranking of visual words measured by the information divergence. On the other hand, we developed a fast and accurate hybrid classifier by combining the improved ensemble based extreme learning machine and sparse representation. At the meantime, to increase the robustness and processing speed of the algorithm, the batch mode training scheme will be extended to the online learning algorithm. The proposed landmark recognition framework not only enjoys the properties of low visual word dimension, high recognition rate, short classifier training and sample querying time, but also paves the way for realizations of the fast landmark recognition system and other big data and high-dimensional applications in real world.

智能地标识别是以标志性建筑物或自然物为对象，利用图像识别算法，实现获取地标背景知识或其周边的交通、旅游、商业等相关信息，其应用涉及很多领域，如城市智能导航和信息指南、城市街景、移动购物等。现有的地标识别算法面临两个挑战：一是局部特征视觉词的维数灾难问题，二是现有的识别算法计算复杂度高且识别率较低的问题。针对这些问题，本项目将重点研究地标图片鉴别特征视觉词提取算法与快速高效的智能识别算法；一方面，基于信息散度衡量的视觉词重要性值排名提出鉴别特征提取与降维算法；另一方面，基于超限学习机算法和稀疏表示分类算法，提出快速高效的集成超限学习机与稀疏表示分类器相结合的混合地标识别算法；同时，将批处理样本学习扩展到在线学习中，提高算法的稳健性。所提出的算法不仅可以有效降低词汇表维数、提高识别率、缩短样本测试时间，还为快速地标识别系统及其他大数据及高维信号处理应用提供思路和途径，具有重要的应用前景。

智能地标识别是以标志性建筑物或自然物为对象，利用图像识别算法，实现获取地标背景知识或其周边的交通、旅游、商业等相关信息，其应用涉及很多领域，如城市智能导航和信息指南、城市街景、移动购物等。高效的图片处理速度和准确的识别率是衡量移动终端地标识别系统两个重要指标。然而图像的尺度缩放、平移旋转、光照强度变化会导致识别率降低及数据规模大和维数灾难等问题。针对这些问题，本项目重点研究了地标图片局部鉴别特征（Discriminate feature）提取方法和基于超限学习机与稀疏表示分类器的智能检索算法，从而有效的提高了模型学习速度和准确率。在三年的研究期里，该项目顺利执行，在地标图片特征提取算法、超限学习机算法改进以及相关应用取得了重要进展，具体包括：i）提出了基于压缩感知中稀疏表示算法的准确的地标识别方法；ii）提出了基于竞争机制的集成超限学习机地标识别算法；iii）提出了具有鉴别性紧凑视觉词词袋模型的地标图片特征提取算法；iv）提出了基于超限学习机与稀疏表示的混合识别算法；v）提出了基于最大熵优化原理的自适应尺度仿射激活函数超限学习机算法；vi）提出了基于shortcut connection结果的深度不均衡集超学习分类算法等。在本项目资助下，共录用/发表SCI论文17篇（已发表14篇、录用3篇，包括IEEE TNNLS 3篇、IEEE T-CYB 1篇、Neural Networks 1篇、Journal of the Franklin Institute 3篇、Cognitive Computing 2篇等），IEEE DSP、IEEE ISCAS、IEEE ISPACS、WCICA等国际学术会议论文14篇（其中12 篇EI 收录，2篇EI 待收录），授权/公开发明专利多项。项目负责人有4篇论文入选ESI热点论文，5篇论文入选ESI高被引论文。指导了多名博士、硕士研究生。项目负责人也获得了包括省“151人才工程”，省钱江人才计划、省未来科技城海外高层次人才创新创业等项目的资助；入选2018年DAAD-K.C.Wong德意志访问学者，同时被聘为国际顶级SCI期刊IEEE Trans. on Circuits and Systems I: Regular Papers、Multi. Syst. and Sig. Proce.、Memetic Computing的副主编。