基于低秩表示理论的图像识别方法研究

Since the ability of computer's understanding and perceptation images is less than that of people, which can not meet the needs of today's society, to extract the key features for dimensionality reduction and recognition is a classical topic in image recognition. Low-Rank Representation (LRR), as a new sparse representation technology, has attracted much attenion. In this project, we will research LRR and its application in image recognition, develop the theoretical system of feature extraction and dictionary learning, present some sparse, localized, discriminative and robust feature extraction methods and discriminative dictionary learning methods.

在图像识别中，由于计算机对图像的理解和感知能力远逊于人类且处理效率远不能满足当今社会的发展需求，如何提取关键特征进行维数压缩与识识别是当前研究的一个难点与热点问题。低秩表示理论作为一种新的稀疏表示技术，已经引起了科研人员的广泛关注。本项目将开展低秩表示理论在图像识别中的应用研究，丰富和发展模式识别的特征提取技术和字典学习理论体系；在技术上设计出具有稀疏性、鉴别能力和鲁棒性的图像特征提取方法和具有强鉴别性的字典学习算法。

在图像识别中，由于计算机对图像的理解和感知能力远逊于人类且处理效率远不能满足当今社会的发展需求，如何开展特征表示和学习研究是当前研究的一个难点与热点问题。低秩表示理论作为一种新的稀疏表示技术，能够充分挖掘数据本身蕴含的结构信息，已经引起了科研人员的广泛关注。研究工作主要包括：(1)我们设计了一系列基于稀疏低秩表示理论的特征提取算法；(2)我们设计了一系列基于稀疏低秩表示理论的字典学习算法；(3)我们设计了一系列基于稀疏低秩表示理论的分类算法。我们在人脸识别、图像检索和动作识别等数据库上验证了方法的有效性。进行本项研究的目的和意义在于：将人类感知图像的稀疏低秩性机制与模式识别的研究结合起来，丰富和发展模式识别的特征表示和学习的理论体系；在技术上设计出具有稀疏性、更具鉴别能力和鲁棒性的图像特征提取和字典学习算法，提高计算机对图像的理解和感知能力，为图像自动识别在信息及相关领域的应用提供更好的技术支撑。