本文選題：目標(biāo)分類 + 稀疏表示�。� 參考：《計(jì)算機(jī)應(yīng)用研究》2017年12期

【摘要】：航拍圖像往往具有場(chǎng)景復(fù)雜、數(shù)據(jù)維度大的特點(diǎn),對(duì)于該類圖像的自動(dòng)分類一直是研究的熱點(diǎn)。針對(duì)航拍原始數(shù)據(jù)特征維度過高和數(shù)據(jù)線性不可分的問題,在字典學(xué)習(xí)和稀疏表示的基礎(chǔ)上提出了一種結(jié)合核字典學(xué)習(xí)和線性鑒別分析的目標(biāo)識(shí)別方法。首先學(xué)習(xí)核字典并通過核字典獲取目標(biāo)樣本的稀疏表示,挖掘數(shù)據(jù)的內(nèi)部結(jié)構(gòu);其次采用線性鑒別分析,加強(qiáng)稀疏表示的可分性;最后利用支持向量機(jī)對(duì)目標(biāo)進(jìn)行分類。實(shí)驗(yàn)結(jié)果表明,與傳統(tǒng)基于子空間特征提取的算法和基于字典學(xué)習(xí)的算法相比,基于核字典學(xué)習(xí)與鑒別分析的算法分類性能優(yōu)越。
[Abstract]:Aerial images often have the characteristics of complex scene and large data dimension. The automatic classification of aerial images is always a hot topic. Based on dictionary learning and sparse representation, a method of target recognition based on kernel dictionary learning and linear discriminant analysis is proposed. Firstly, the kernel dictionary is studied and the sparse representation of the target sample is obtained through the kernel dictionary to mine the internal structure of the data. Secondly, linear discriminant analysis is used to enhance the separability of sparse representation. Finally, support vector machine is used to classify the target. The experimental results show that the algorithm based on kernel dictionary learning and discriminant analysis is superior to the traditional algorithm based on subspace feature extraction and dictionary learning.
【作者單位】： 上海交通大學(xué)航空航天學(xué)院;Technische
【基金】：國(guó)家自然科學(xué)基金資助項(xiàng)目(U1406404,61331015)
【分類號(hào)】：TP181;TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 徐勇,楊靜宇,金忠,婁震;一種基于核的快速非線性鑒別分析方法[J];計(jì)算機(jī)研究與發(fā)展;2005年03期

2 張偉偉;陳秀宏;;極小化類內(nèi)散布度的大間距非線性鑒別分析[J];計(jì)算機(jī)工程與應(yīng)用;2010年23期

3 鄭宇杰;楊靜宇;吳小俊;李勇智;;基于模糊集理論的二維線性鑒別分析新方法[J];中國(guó)工程科學(xué);2007年02期

4 郭志波;楊靜宇;嚴(yán)云洋;鄭宇杰;;一種多頻帶線性鑒別分析方法[J];工程圖學(xué)學(xué)報(bào);2007年02期

5 趙明華;李鵬;劉直芳;;基于兩空間線性鑒別分析的小樣本人臉識(shí)別[J];光電工程;2008年09期

6 嚴(yán)云洋;郭志波;楊靜宇;;基于多尺度低頻特征組合的線性鑒別分析[J];系統(tǒng)仿真學(xué)報(bào);2008年07期

7 程正東;章毓晉;樊祥;;基于圖像抽樣重組的2維線性鑒別分析[J];中國(guó)圖象圖形學(xué)報(bào);2010年02期

8 林宇生;房福龍;楊萬扣;;模糊二維線性鑒別分析算法[J];無線電工程;2011年09期

9 何振學(xué);張貴倉(cāng);孔波;楊鵬斐;王濟(jì)深;;對(duì)稱DLDA及其在人臉識(shí)別中的應(yīng)用[J];科學(xué)技術(shù)與工程;2013年21期

10 裴佳佳;古輝;;基于分塊二維線性鑒別分析的人臉識(shí)別[J];計(jì)算機(jī)系統(tǒng)應(yīng)用;2009年09期

相關(guān)會(huì)議論文 前3條

1 陳才扣;劉永俊;楊靜宇;;改進(jìn)的二維最大散度差線性鑒別分析及人臉識(shí)別[A];第十三屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2006年

2 樊亞翔;孫浩;周石琳;鄒煥新;;基于元樣本稀疏表示的多視角目標(biāo)識(shí)別[A];2013年中國(guó)智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（第五分冊(cè)）[C];2013年

3 王秀娟;鄭康鋒;楊星海;;線性鑒別分析在中文文本分類中的應(yīng)用[A];2005通信理論與技術(shù)新進(jìn)展——第十屆全國(guó)青年通信學(xué)術(shù)會(huì)議論文集[C];2005年

相關(guān)博士學(xué)位論文 前10條

1 李進(jìn)明;基于稀疏表示的圖像超分辨率重建方法研究[D];重慶大學(xué);2015年

2 姚明海;視頻異常事件檢測(cè)與認(rèn)證方法研究[D];東北師范大學(xué);2015年

3 王瑾;基于稀疏表示的數(shù)據(jù)收集、復(fù)原與壓縮研究[D];北京工業(yè)大學(xué);2015年

4 薛明;基于稀疏表示的在線目標(biāo)跟蹤研究[D];上海交通大學(xué);2014年

5 程廣濤;基于壓縮感知的人臉識(shí)別方法研究[D];天津大學(xué);2015年

6 黃丹丹;基于稀疏表示的視覺目標(biāo)跟蹤方法研究[D];大連理工大學(xué);2016年

7 趙淑歡;欠完備采樣環(huán)境下面向數(shù)據(jù)的稀疏表示人臉識(shí)別研究[D];燕山大學(xué);2016年

8 劉海倉(cāng);基于稀疏表示的圖像超分辨率與目標(biāo)跟蹤方法研究[D];湖南大學(xué);2015年

9 項(xiàng)鳳濤;基于稀疏表示與優(yōu)化的圖像信息處理方法及應(yīng)用[D];國(guó)防科學(xué)技術(shù)大學(xué);2014年

10 劉兆棟;基于稀疏表示理論的圖像去噪與融合算法研究[D];重慶大學(xué);2016年

相關(guān)碩士學(xué)位論文 前10條

1 龐成;人臉識(shí)別中子空間降維方法研究[D];揚(yáng)州大學(xué);2015年

2 王道文;基于稀疏表示的目標(biāo)跟蹤算法研究[D];華南理工大學(xué);2015年

3 孫雪青;Shearlet變換和稀疏表示相結(jié)合的甲狀腺結(jié)節(jié)圖像融合[D];河北大學(xué);2015年

4 吳麗璇;基于稀疏表示的微聚焦X射線圖像去噪方法[D];華南理工大學(xué);2015年

5 趙孝磊;基于圖像分塊稀疏表示的人臉識(shí)別算法研究[D];南京信息工程大學(xué);2015年

6 黃志明;基于辨別式稀疏字典學(xué)習(xí)的視覺追蹤算法研究[D];華南理工大學(xué);2015年

7 張鈴華;非約束環(huán)境下的稀疏表示人臉識(shí)別算法研究[D];南京信息工程大學(xué);2015年

8 應(yīng)艷麗;基于低秩稀疏表示的目標(biāo)跟蹤算法研究[D];西南交通大學(xué);2015年

9 梁曉捷;基于網(wǎng)絡(luò)攝像頭與稀疏表示分類法的實(shí)時(shí)人臉識(shí)別系統(tǒng)應(yīng)用研究[D];五邑大學(xué);2015年

10 陳蒙;基于稀疏表示特征的人臉識(shí)別方法研究[D];深圳大學(xué);2015年

，

本文編號(hào)：1786850