基于压缩感知认知模型的面像识别与理解

压缩感知理论与稀疏表示方法近年来在统计信号处理领域得到快速发展。面像识别是模式识别、图像处理、计算机视觉、机器学习等领域的研究热点。本项目根据压缩感知原理，结合人的认知实际，提出崭新的视觉认知模型。该模型将测试样本表示为训练集(字典)的线性组合，组合系数的稀疏性与稀疏集中度可以用来衡量其类别属性。本项目将重点研究：（1）小样本条件下的降维与稀疏表示；（2）多重回归分析中的最优响应变量构造；（3）基于超分辨率重建技术与正则化策略的图像质量恢复；（4）大规模优化计算与在线学习算法；（5）面像认知与识别系统。项目的创新之处在于整合认知科学、信号处理、非线性优化、在线学习等理论，提出基于压缩感知的视觉认知模型并应用于面像识别领域，以解决小样本及非线性变化（畸变、遮挡等）问题。本课题的研究将丰富模式识别与机器学习理论，并为面像识别问题提供新的解决途径。

面像分析与识别是当今模式识别领域的前沿研究热点。本课题围绕稀疏表示与面像识别在五个方面展开了研究：(1)从具有冗余特性的小波框架特征出发，得到基于稀疏正则化框架的图像与视频恢复算法，为识别提供准备。(2)以人像识别为主要应用背景，发展带有稀疏约束的矩阵快速分解与重构算法，有效的节省了计算成本。(3)从梯度特征出发，使用图模型对特征做出区分，提出双加权的稀疏正则化算法，解决带有遮挡的图像识别问题。(4)从方向、尺度、色彩等多重特征出发，提出新的多核学习算法，选择出有利于提高分类性能的模式，从特征的角度对结果做出更好的解释。(5)稀疏网络模型的建模与应用：生物标志物检测及分子相互作用机制的稀疏性建模。这些结果应用于面像识别和蛋白质网络数据分析。主要论文有：IEEE T IP 12, IEEE T KDE 11 and IEEE T CBB 12。