基于稀疏非一致多核学习的低分辨率视频识别研究

Biological feature recognition based on the image and video media is the forefront research direction in the pattern recognition and automation application communities, and it is one of the most important challenges for the basic theories and applications that human facing..The program will exploit sparse representation and multi-kernel learning methods as the mathematical tools, focus on the real far-distant surveillance camera video and the multi-subject data, probe deeply into the principles of vision-invariant feature generation, and study the sparsity regularization with group effective, locality preserving capabilities of inconsistent kernel functions and the fast computation algorithm with large scale. The program will propose efficient and effective approaches for parameters selection and model evaluation, and present some novelties in inconsistent multi-kernel learning, objective solution and online computation.. The robustness for noise and outliers, sparsity for feature selection and the smoothness for objective function due to Lpq-norm will be analyzed, then the pivotal problems including the objective optimization, similarity metric learning and feature fusion of multi-modal data, and the fast computation in large scale would be highlighted for improving the capabilities of feature extraction and generalization for the recognition system.. . The results will enhance the theoretic deepness and application scope of sparse multi-kernel learning framework, and speed up the transformation and development progress of the associated methods toward to industry and market.

以图像与视频为主要媒介的生物特征识别是模式识别与自动化应用领域的前沿研究方向，也是人类在基础理论与应用研究中面临的重要挑战之一。.本项目以稀疏表示与多核学习方法为数学工具，以真实远距离监控视频和多类别数据为主要实验对象，认真探讨低分辨率数据的视觉不变特征生成原理，致力于研究具有群组效应的稀疏正则化方法、非一致核函数的局部保持匹配性能和大规模快速优化算法，提出实际有用的参数选择方法，在非一致多核学习、目标求解和在线快速算法方面具有较大创新性。.项目详细讨论Lpq范数对噪音和例外点的鲁棒性、特征选择的稀疏性和目标函数的光滑性。重点解决惩罚项导致的目标函数优化问题、多模态数据的相似度量学习与特征融合问题和大规模数据面临的快速计算问题，提高系统的判别特征提取能力和泛化能力。.通过本项目的研究，进一步加强稀疏多核学习框架的理论深度和应用广度，促进新方法向工业化与市场化方向转化。

本项目以稀疏表示与多核学习方法为数学工具，认真探讨图像数据的视觉不变特征生成原理，致力于研究非一致核函数的局部保持匹配性能和大规模快速优化算法。项目在以下几个方面取得了初步的研究成果。.为了避免多尺度分析方法带来的高维数据堆砌情形，提出多尺度特征的非线性融合算法。将不同尺度、不同方向对应的模态特征计算相似度，据此建立多核学习模型，并转化为半定规划问题求解。针对多源数据训练导致的重复学习及时间消耗问题，提出可迁移的非线性结构化特征表示模型。将权值共享原理引入自适应学习模型，得到了具有可迁移功能且与维数无关的结构化特征表示，充分提取多源数据的重要判别信息用于数据分类。.针对传统的朗伯模型无法解决特征大小尺度界定的问题，提出对朗伯特征进行多层分解与判别学习方法，缓解了因大小尺度界定过于含糊导致的特征重叠问题。同时针对朗伯模型的乘性关系假设，提出首先在对数域将灰度图像分解为光线因子与身份因子之和，然后对每个像素位置提取环状多尺度梯度变换特征，得到新的多尺度局部特征编码方法。通过对比梯度变换与局部二进模式的生成原理与特征表达能力，提出在梯度域内对每个像素点提取局部秩序特征。将图像元胞划分为若干子块，然后提取上述秩序特征及其直方图表示。使用核判别分析求解出最优投影方向用于分类，得到优于局部二进模式的新方法。.提出了基于样本重采样策略的加权方案，对类内样本预估权值，使得在费歇尔判别分析过程中起着较大作用的样本赋予较高权值，提高了费歇尔准则在特征提取过程中的判别性能。还提出了面向核方法的正则化方法。.为解决带有随机遮挡的人像识别问题，首先对图像的像素做聚类分析，根据遮挡区域的像素值及其分布特点，提出局部自适应加权的稀疏表示模型。观察到一般的稀疏回归模型本质上是将类内样本或近邻样本的回归系数用作活动集指标，提出对其他类别的样本做协同稀疏表示，也就是使得活动集的指标相对均匀的分布于所有类别，并使用得分融合的方式对不同向量进行加权组合。.项目执行期间发表IEEE Transactions论文8篇。申请国家发明专利2项。指导硕士研究生4名。