线性编码框架下的图像特征提取及识别方法研究

《线性编码框架下的图像特征提取及识别方法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、画Ｖ＇养Ａ－，：、皆旗乂聲，．＾＾；；ｆ貧硕±学位论文－＾．載沪儀ｆ’线性编码框架下的图像特征提取及巧别方法研究ｉ、、＇，ｖ－气一，片ｆｆ＼，讀ｔ．请类±－滅．‘？！：作貧：；識：护少、分指导教师：杜海顺副教授Ａ咬＼＇？參城：。—六年六焉蒙；关于学位论文独创声巧和学术诚信承诸．本人向河南大学提出硕去学位申请。本人郑重岸明：巧呈交的学位论文是本人在导师的指导下独立完成的，对巧研究的课题．据有新的见解我所知，除文中持别加Ｗ说明，标注和致谢的地

2、方外，论文中不包括其他人色经发表或撰写过的研究成果，也不包括其他人为获得任何教育、科研机掏的学位或证书而使用过巧一同工作的同事对本巧究所做的任何贡献均已材料．与我在论文中作了明确巧说明并表示了谢意．在化本人部重承诺；巧呈交的学位论丈不存在舞弊巧伪行为，文责自负，学位中请人（学位论文作者）签义：卡向奮诗＊２０１６年Ｓ月ｉ曰］＊？Ｐ关于学位论义著作权使用授权书本人经河南大学审核批准殺予硕击学位．巧为学位论文的作者，本人完全了解并同意河南大学有关保留、使用学位论文的要求，即河南大学

3、有权向国家图书馆、科研信思机构、数据化集机构和本校图书馆等提供学位论文（紙质文本和电子文本乂供公众检索、查间。本人授权河南大学出于宣巧、展觅学校学术发展和进行学术交流等目的，可１＾义東取影印、缩印、括描和巧贝等复制手拽保存、汇編学位论文（纸质文本和电子文本）。（涉及保密内容的学位论文在解密后适用本授权书）学位获得者（学位论文作者）签名：巧１％諫２０ｌｂ年Ｓ月ｒ）曰学位论文指导教师签名：夺一：挺Ｉ＇矮２０１Ｇ年夕月ResearchonImageFeatureExtractiona

4、ndRecognitionundertheLinearCodingFrameworkADissertationSubmittedtotheGraduateSchoolofHenanUniversityinPartialFulfillmentoftheRequirementsfortheDegreeofMasterofEngineeringScienceByQingpuHuSupervisor:AssociateProf.HaishunDuJune2016摘要图像分类识别是目前计算机视觉和模式识别领域的一个研究热点。其中

5、，基于线性编码分类器的图像识别方法因其识别效率较高，受到了国内外学者的广泛关注。然而，现有的基于线性编码的识别方法在图像存在光照变化、视角变化、遮挡或者像素污染等情况下，鲁棒性较差，从而导致最终的识别效果不佳。本文在线性编码框架下，对图像特征提取及识别进行了深入系统的研究，主要创新点如下：1)提出一种用于稀疏表示分类器(Sparserepresentation-basedclassification,SRC)的特征提取方法——稀疏嵌入投影(Sparsityembeddingprojections,SEP)。该方法寻求一

6、个低维嵌入子空间，使得在该子空间中，与测试样本同类的训练样本所对应的表示系数得到增强，而所有与测试样本不同类的训练样本所对应的表示系数得到压缩，从而导致正确类对应的重构误差小于错误类对应的重构误差，进而使SRC能够对测试样本正确分类。具体地，给定一个训练样本矩阵，该方法首先尝试求解一个能在增强样本数据类内重构关系的同时，压缩其类间重构关系的低维嵌入子空间；然后，将训练样本图像和测试样本图像分别投影到该子空间中；最后，采用SRC对测试样本进行分类识别；2)研究发现，低秩性可以揭示样本数据的子空间结构，而稀疏性可以帮助图像

7、分类识别。结合稀疏性和低秩性的特点，本文提出一种基于低秩稀疏表示分类器(Lowranksparserepresentation-basedclassification,LRSRC)的图像识别方法。具体地，给定一组测试样本，首先在所有训练样本上寻找测试样本组的最低秩且最稀疏表示矩阵；然后，基于每个测试样本的最低秩稀疏表示向量，对每个测试样本进行重构并计算其类重构误差；最后，根据最小类重构误差完成对每个测试样本的分类识别；3)提出一种自适应局部约束正则化鲁棒编码(Adaptivelocality-constrainedre

8、gularizedrobustcoding,ALRRC)图像识别方法。由于在编码过程中同时考虑了样本数据特征的重要性和样本数据的空间局部性，因此，ALRRC可以使用那些更“真实”的最近邻训练样本来表示测试样本。具体地，给定一个测试样本，该方法首先自适应地计算用于衡量测试样本每个特征重要性的特征权重，并基于这些权重，得到加权测试样I