论文部分内容阅读
随着视频监控的普及和图像数据的海量增长,图像的人工检索与分类已经无法适应需求,这促进了图像分类技术的产生与发展。图像分类的关键技术是提取图像特征信息及其表征。由于提取后的特征数据维数过高,需对其进行降维处理,以免出现维数灾难。自低秩稀疏表征理论提出以来,研究学者开始大量研究其在图像分类领域的应用并取得很多突破性的研究成果。受判别分析法、迁移学习及图论等理论知识的启发,有研究学者考虑在低秩稀疏表征基础上,结合其它领域理论知识,来提高算法的分类性能。图像分类技术虽然发展迅速,但现实需求(实时性、准确性等)和识别困难(光照、遮挡等)等问题,其还存在较大的发展空间。本文致力于基于稀疏低秩表征理论的图像分类算法研究,目标是获取更好的图像特征信息表征来提高图像的判别性,从而提高图像的分类性能。本文的主要研究工作如下：(1)对目前图像分类算法研究背景意义、低秩稀疏表征理论的发展及在图像分类中的应用作了综合分析,并介绍了国内外的研究现状以及图像分类算法面临的挑战与潜在的发展前景。(2)详细介绍了目前一些经典分类器、图像分类相关的基础理论知识以及基于低秩稀疏表征理论的图像分类算法。(3)结合稀疏低秩理论,本文基于LASSO (Least Absolute Shrinkage and Selection Operator)提出了局部保持投影的稀疏回归算法(SpLPP)。SpLPP把局部保持和稀疏性结合起来,同时将降维、特征选择综合在一种分析中。SpLPP算法的本质是在LASSO约束下求解保持局部特性的最佳投影,通过该算法得到的数据同时保留了局部结构与判别能力,有效提高了图像的分类性能。(4)本文将SpLPP算法应用于人脸识别,并通过两类实验来测试SpLPP算法的性能：一类实验测试其表征能力,另一类实验测试其分类能力。考虑到在小样本问题中,SpLPP可能不能直接应用,因此文本提出了其广义正则化形式RSpLPP使得算法更加适用。本文分别在合成数据集与Frey人脸数据集上测试SpLPP算法的表征能力。应用SpLPP算法,将训练集与测试集数据降维至2维。实验结果表明,SpLPP算法相比较于其他算法,能同时保留数据的局部结构与判别能力,因此具有更强的表征能力。本文分别在来自UCI的虹膜数据集和USPS数据集上测试SpLPP的分类性能。由对比实验可知,SpLPP算法具有更强的分类性能。