稀疏表示在图像特征抽取中的应用研究

在生物识别问题中，由于原始图像的维数相当高，直接在原始图像的基础上进行处理，将加大算法的复杂度，并且对计算机的硬件性能也是一个挑战，因此特征抽取成为该领域最基本的问题之一，抽取有效的鉴别特征是解决该问题的关键。进行本项研究的目的和意义在于：将人类感知图像的稀疏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抽取技术的理论体系；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选择和图像特征提取算法，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。本项目研究的预期成果是，在深入分析当前稀疏表示和稀疏编码方法和充分大规模试验的基础上，提出一系列性能优越、通用性强、具有强鉴别能力的稀疏特征抽取算法：(1)一种基于稀疏表示的鉴别分析特征提取算法；(2)一种基于稀疏表示的流形学习特征提取算法；(3)一种基于稀疏表示的模糊鉴别分析特征提取算法。

稀疏表示是近年来计算机视觉和模式识别领域的一个研究热点。我们就稀疏表示在分类器设计，字典学习和特征抽取等方面开展了深入研究，研究内容主要包括：(1)关于分类器设计，我们运用核方法将稀疏表示分类推广到高维特征空间，在高维特征空间中进行稀疏表示，提出核稀疏表示分类方法；我们在协同表示分类器的基础上，运用核函数将协同表示分类推广到高维特征空间，在高维特征空间进行协同表示分类，给出了一种核协同表示分类方法；在线性回归分类的基础上，我们给出了一种局部线性回归分类方法；(2)关于字典学习，我们给出了一种基于稀疏字典学习的行为识别方法, 分类器的设计对于行为理解问题起着至关重要的作用，分类器的设计直接影响行为视频分类的效果。我们提出一个改进的多词汇表的稀疏表示模型，对于每个行为类别学习出一个对应的词汇表，使得属于同一类别的视频样本都采用相同的一组基元来构成; (3) 关于特征抽取，我们在稀疏表示分类的基础上，给出了一种核稀疏保持投影特征提取方法；我们在协同表示分类的基础上，通过计算基于L2范数回归模型得到样本近邻关系、样本关联权重大小和样本自适应的关联图，称为L2-图。在L2-图的基础上，我们研究了基于协同表示的特征提取方法；我们在流形学习基础上，同时考虑子类的流形分布和各个子类间的多流形分布，给出了一种多流形鉴别分析特征提取方法；我们在模糊聚类的基础上，给出了一种具有模糊聚类功能的双向二维无监督特征提取方法。