面向图像识别的稀疏表示及其应用研究

稀疏表示理论有效地利用了图像的内在稀疏特性，更符合人类的视觉感知机理，近年来受到了广泛关注，为提高图像处理和模式识别性能带来了新的机遇。尽管现有稀疏表示理论在图像识别方面取得了初步的研究成果，但是由于没有考虑过完备字典的具体任务特性、图像的空间信息以及稀疏表示的非正交特性，还有一些没有解决的关键问题和很大的性能提升空间。.本项目将深入研究面向图像识别的稀疏表示理论，包括研究针对图像识别任务的过完备字典构建及其冗余度优化方法；设计新型图像距离，提高稀疏表示图像识别的鲁棒性；建立非正交稀疏表示空间的图像特征提取理论，提高基于稀疏表示的图像识别精度；建立不同缺损类型与图像稀疏特性的关系模型，解决缺损图像识别的难题。本项目将促进图像稀疏表示理论和图像识别技术的发展，具有重要的理论意义和应用价值。

稀疏表示理论有效地利用了图像的内在稀疏特性，更符合人类的视觉感知机理。近年来稀疏表示受到了广泛关注，为提高图像处理和模式识别性能带来了新的机遇。. 本项目深入挖掘遥感图像、车辆图像以及人脸图像的结构特性，研究提出面向图像识别的稀疏表示方法。研究成果如下：1) 在遥感SAR图像识别方面，针对传统稀疏表示SAR图像识别算法计算复杂度高、计算速度慢的问题，提出了一种基于决策融合的快速稀疏表示图像识别方法，与传统的稀疏表示SAR图像识别方法相比，在识别速度提升3倍的同时，识别准确率提升了3%；2) 在遥感高光谱图像地物识别方面，针对识别中的同物异谱、同谱异物的问题，提出了形状自适应稀疏表示、多尺度稀疏表示和超像素稀疏表示识别方法，与传统基于稀疏表示识别方法相比，所提出方法均能将识别精度提升4%，实现了高光谱图像地物的精确识别；3) 在车辆图像检测识别方面，针对交通场景复杂的问题，提出了一种元素和结构联合稀疏特征的目标检测方法，相比于基于局部形状特征的识别方法，所提出方法能将识别精度提升5%；4) 在人脸图像识别和跟踪方面，针对噪声、遮挡等干扰严重的问题，提出了多特征自适应稀疏表示和全局-局部联合稀疏表示的识别与跟踪方法，相比于传统的稀疏表示人脸识别与跟踪方法，所提出方法能在将识别与跟踪精度提升12%以上。研究成果促进了图像稀疏表示理论和图像识别技术的发展，在对地观测、安全监控和智能交通等领域具有重要的应用价值。