基于稀疏表示的高效鲁棒大规模物体识别方法研究

本课题探讨利用稀疏表示解决大规模物体识别问题的相关理论和方法，研究高效鲁棒大规模物体识别算法。稀疏表示识别方法（SRC方法）是近年来出现的一种比较有效的物体识别方法，为物体识别问题研究提供了新的解决思路。但由于缺乏合适的大规模数据集，SRC方法对大规模物体识别问题的有效性却较少有人研究，严重阻碍了物体识别领域研究的发展。结合课题组拥有满足SRC方法研究需要的大规模数据集这一优势，本课题拟在分析SRC方法对大规模物体识别问题有效性的基础上，研究鲁棒的结构性稀疏表示识别方法，利用信号的稀疏性和低秩结构，提高识别方法对视角变化和局部遮挡的鲁棒性；在此基础上，研究高效的稀疏表示识别方法，利用子空间映射和哈希编码，提高识别方法的计算效率。.本课题研究有助于加深对稀疏表示理论和大规模物体识别问题的理解，对提高物体识别方法性能、促进物体识别领域发展具有重要的理论指导意义和实际应用价值。

稀疏表示人脸识别方法是物体识别领域的一个重要方法，尤其是在人脸识别领域。本课题研究旨在把稀疏表示物体识别技术拓展到大规模物体识别问题中。课题的研究内容主要围绕着该算法的鲁棒性和计算效率两个方面展开。对于鲁棒性问题，我们主要关注算法对姿态和局部遮挡的鲁棒性问题。其解决思路主要是，把人脸图像进行分块表示来提高对姿态的鲁棒性，同时把树状结构性稀疏范数引入稀疏表示识别框架，更好处理局部遮挡问题。对于计算效率问题，我们的主要解决思路是：一方面，评估和寻找更好的L1-范数求解方法；另一方面，通过减少注册样本数量提高L1-范数的求解速度。.通过本课题研究，我们得到如下比较有价值的结果：1)人脸的分块表示是提高姿态鲁棒性的一个重要方法，而对不同分块实施约束则是这类方法的一个关键问题；2) 结构性稀疏范数是解决局部遮挡问题的一个重要方向，值得往下深入研究；3) 对于大规模人脸识别问题而言，在诸多L1-范数求解算法中，ALM算法在计算速度和精度上可以较好满足需要；4) 稀疏光照迁移方法可以有效地实现光照信息补偿, 克服注册样本不足的问题，值得深入研究。.本课题的研究结果对于物体识别研究具有重要的学术价值，可以为物体识别研究提供宝贵的经验和借鉴。