集成稀疏描述的判別投影及圖像識別.pdf

1、圖像識別是模式識別、機器學習領域的研究熱點，它是指利用計算機對圖像進行分析、處理，識別各種不同模式的目標和對象的技術。隨著信息采集技術與計算機技術的迅速發(fā)展，實際獲取的圖像維度越來越高。所以如何學習特征有效的描述數據是當前研究的重點和難點。特征提取是一種有效的解決方案，其目的是挖掘隱藏在高維數據中的內在低維幾何描述，通過特征提取可以降低算法的計算復雜度。本文從稀疏描述入手，研究了適用于稀疏描述的判別特征提取，主要內容和貢獻有：
　

2、　一、針對線性判別分析(Linear Discriminant Analysis，LDA)只考慮了數據的全局幾何結構，導致內在幾何結構描述不準確及分類性能不是很好等問題，借助稀疏描述的優(yōu)點（較好地刻畫了數據的局部幾何結構），提出了一種基于稀疏描述的線性判別投影算法(SD-LDP)，該算法的目的是尋找投影矩陣，使得低維描述既滿足LDA準則，又適合稀疏描述分類器（Sparse Repreentation Classifier，SRC）。相比

3、LDA和基于稀疏描述的SRC-DP算法，該算法較好地刻畫了數據的幾何結構，性能比較穩(wěn)定。在幾個數據庫上的實驗結果驗證了所提算法的有效性。
　　二、針對SRC-DP算法對噪聲或者遮擋不魯棒的問題，提出了魯棒稀疏判別投影算法。該算法首先用 RPCA對訓練樣本進行預處理得到無噪聲的干凈圖像，達到去噪的目的；然后考慮到系數的稀疏分布特性，提出了指向類心的稀疏判別投影算法。該算法使得低維描述較好地的稀疏描述，即系數的非零值盡可能分布在同類原