基于L1范数的鲁棒稀疏特征抽取算法研究

The models of the existing effective sparse feature extraction methods usually include the L2-norm based objective function and the L1 norm constraints on projection vectors. However, the robustness of the existing sparse feature extraction methods is still dissatisfactory since the part objection function based on L2 norm does not consider the robustness. when 30% noise is added，the correct recognition rate of the method will reduce about 7%. To Introduce mechanism of sparse in the feature extraction methods without and to improve the robustness and the correct recognition rate for noise recognition further, the project will use the L1 norm to design the robust objective function and sparse constraint at the same time. Thus the project will study how to design simultaneously robust and sparse feature extraction methods . The main research contents include: (1) simultaneously robust and sparse feature extraction methods based on L1 norm under graph embedding framework; (2) L1 norm based robust feature extraction methods with adaptive regularization; (3) robust sparse feature extraction methods encoding the higher-order prior information The expected results will improve the robustness of some existing feature extraction algorithm and the noise pattern recognition correct rate of 3%. the correct recognition rate for noise recognition. Meanwhile they will rich content of the related theory of pattern recognition, machine learning and computer vision system.

现有的好的稀疏特征抽取算法模型往往包含以下两部分：基于L2范数的目标函数和对投影向量的L1范数约束。由于基于L2范数的那部分目标函数并没有考虑到稀疏噪声的鲁棒性问题，使得现有的稀疏特征抽取算法的鲁棒性还不尽如人意。加30%噪声时算法的正确识别率会降低7%左右。为了在没有稀疏性的特征抽取算法中引入稀疏表示机制和为进一步提升现有稀疏抽取算法的鲁棒性和对噪声模式的正确识别率，本项目拟把L1范数同时用于设计鲁棒的目标函数和稀疏约束。研究同时考虑鲁棒性和稀疏性的特征抽取算法。主要研究内容包括：（1）图嵌入框架下基于L1范数的同时鲁棒和稀疏的特征抽取算法;（2）自适应正则化的基于L1范数的鲁棒特征抽取算法；（3）融合数据先验结构信息的鲁棒的稀疏特征抽取算法等。项目预期成果将改进一些特征抽取算法的鲁棒性和提高它们对噪声模式的正确识别率3%左右，丰富模式识别、机器学习、计算机视觉的相关理论体系内容。

由于基于L2范数的那部分目标函数并没有考虑到稀疏噪声的鲁棒性问题，使得现有的稀疏特征抽取算法的鲁棒性还不尽如人意。加30%噪声时算法的正确识别率会降低7%左右。为了在没有稀疏性的特征抽取算法中引入稀疏表示机制和为进一步提升现有稀疏抽取算法的鲁棒性和对噪声模式的正确识别率，本项目把L1范数、L2，P范数等用于设计鲁棒的目标函数和稀疏约束，研究在各种场景下的鲁棒性或稀疏性的特征抽取算法，以及相关模式分类方法。主要获得研究成果包括：（1）基于L1范数的图嵌入框架下鲁棒和稀疏的特征抽取算法;（2）基于双L2，P范数的PCA特征提取方法；（3）基于 L1 范数的张量化的鲁棒和稀疏的特征抽取算法及其应用；（4）低秩鉴别嵌入回归提取方法；（5）基于稀疏模糊二维判别局部保持投影的鲁棒图像特征提取方法；（6）基于双截核范数的矩阵分解及其在背景建模中的应用；（7）通过联合L2，1范数距离最小化和最大化的鲁棒判别特征提取方法；（8）基于超像素核学习的低秩表示的高光谱分类方法；（9）具有合适拒识机制的高正确识别率分类器设计方法。实验表明，以上成果改进了多种场景下的特征抽取算法的鲁棒性，提高了有关算法、模型对噪声模式的正确识别率3%以上，丰富了模式识别、机器学习、计算机视觉的相关理论体系内容。