本文關(guān)鍵詞：基于稀疏表示和超限學(xué)習(xí)機(jī)的智能地標(biāo)識(shí)別算法

  更多相關(guān)文章： 壓縮感知 稀疏表示 超限學(xué)習(xí)機(jī) 詞袋模型 地標(biāo)識(shí)別

【摘要】：近些年,隨著智能移動(dòng)終端的發(fā)展,地標(biāo)識(shí)別已經(jīng)引起越來(lái)越多研究者的注意。提出一個(gè)具備高識(shí)別度和快速反應(yīng)速度的識(shí)別系統(tǒng)是非常必要的。本論文中,我們首先把壓縮感知(Compressed Sensing,CS)理論中的稀疏表示方法和基于集成的約束優(yōu)化超限學(xué)習(xí)機(jī)(Extreme Learning Machine,ELM)分別應(yīng)用于地標(biāo)識(shí)別,同時(shí)整合這兩個(gè)算法的優(yōu)點(diǎn),我們提出了融合稀疏表示和超限學(xué)習(xí)機(jī)的地標(biāo)識(shí)別框架。為了能有效的利用地標(biāo)圖片的空間分層信息,近來(lái)比較流行的基于空間金字塔核的詞袋模型(Spatial Pyramid Kernel based Bag-of-Word,SPK-Bo W)被用來(lái)進(jìn)行圖片的特征提取和描述。下面是本論文的主要貢獻(xiàn):(1)基于稀疏表示的地標(biāo)識(shí)別。首先用訓(xùn)練樣本構(gòu)造字典,那么待測(cè)樣本的識(shí)別問(wèn)題就轉(zhuǎn)換為過(guò)完備等式下的線(xiàn)性表示問(wèn)題。這個(gè)稀疏表示問(wèn)題可以采用壓縮感知理論下的信號(hào)恢復(fù)算法求解。這里我們采用兩個(gè)具有代表性的方法來(lái)求解稀疏系數(shù),正交基追蹤(Orthogonal Matching Pursuit,OMP)和分離逼近的稀疏重構(gòu)(Sparse Reconstruction by Separable Approximation,SpaRSA)。這個(gè)識(shí)別算法具有高的識(shí)別精度,但是識(shí)別速度慢。(2)基于集成的約束優(yōu)化超限學(xué)習(xí)機(jī)的地標(biāo)識(shí)別。約束優(yōu)化超限學(xué)習(xí)機(jī)是通過(guò)在超限學(xué)習(xí)機(jī)的輸出權(quán)重范數(shù)和訓(xùn)練誤差之間引入一個(gè)規(guī)則化系數(shù)來(lái)調(diào)節(jié)目標(biāo)函數(shù)的。為了提高識(shí)別性能,用基于集成的約束優(yōu)化超限學(xué)習(xí)機(jī)來(lái)訓(xùn)練分類(lèi)器。實(shí)驗(yàn)表明,提出的方法從整體上獲得了比原始的約束優(yōu)化超限學(xué)習(xí)機(jī)和支持向量機(jī)(Support Vector Machine,SVM)更好的性能。(3)融合稀疏表示和超限學(xué)習(xí)機(jī)的地標(biāo)識(shí)別。盡管稀疏表示和超限學(xué)習(xí)機(jī)都獲得了一些不錯(cuò)的成就,但是設(shè)計(jì)出一個(gè)擁有高精度和快速反應(yīng)速度的穩(wěn)定識(shí)別系統(tǒng)還是具有挑戰(zhàn)性的。為了解決這個(gè)問(wèn)題,我們提出一個(gè)融合稀疏表示和超限學(xué)習(xí)機(jī)的地標(biāo)識(shí)別框架。實(shí)驗(yàn)表明,這個(gè)融合框架的地標(biāo)識(shí)別系統(tǒng)獲得了比超限學(xué)習(xí)機(jī)高的識(shí)別精度,同時(shí)比稀疏表示低的反應(yīng)時(shí)間。(4)基于空間金字塔核的詞袋模型。地標(biāo)圖片的目標(biāo)一般位于圖片的中央,而背景信息則分布在圖片的四周。傳統(tǒng)的詞袋模型往往忽視了地標(biāo)圖片的這種空間分布特性,因此不能有效的表示地標(biāo)圖片。為了充分利用地標(biāo)圖片的空間分布特性,本文我們采用基于空間金字塔核的詞袋模型。
【關(guān)鍵詞】：壓縮感知 稀疏表示 超限學(xué)習(xí)機(jī) 詞袋模型 地標(biāo)識(shí)別
【學(xué)位授予單位】：杭州電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類(lèi)號(hào)】：TP391.41;TP181
【目錄】：

• 摘要5-6
• ABSTRACT6-10
• 第1章 緒論10-16
• 1.1 研究背景及其意義10-12
• 1.1.1 研究背景10-11
• 1.1.2 目的和意義11-12
• 1.2 國(guó)內(nèi)外的研究現(xiàn)狀及發(fā)展12-13
• 1.3 本文研究的主要內(nèi)容13-14
• 1.4 本文主要的結(jié)構(gòu)安排14-16
• 第2章 基本理論知識(shí)介紹16-27
• 2.1 特征提取16-20
• 2.1.1 詞袋模型16-18
• 2.1.2 基于空間金字塔核函數(shù)的詞袋模型18-19
• 2.1.3 基于可擴(kuò)展詞匯樹(shù)的詞袋模型19-20
• 2.2 壓縮感知理論20-22
• 2.2.1 信號(hào)稀疏表示20-21
• 2.2.2 測(cè)量矩陣21-22
• 2.2.3 重構(gòu)算法22
• 2.3 機(jī)器學(xué)習(xí)理論22-27
• 2.3.1 支持向量機(jī)22-24
• 2.3.2 前饋神經(jīng)網(wǎng)絡(luò)24-27
• 第3章 基于稀疏表示的智能地標(biāo)識(shí)別算法27-34
• 3.1 引言27-28
• 3.2 基于稀疏表示的分類(lèi)問(wèn)題28-29
• 3.2.1 通過(guò)訓(xùn)練樣本的稀疏線(xiàn)形組合表示測(cè)試樣本28
• 3.2.2 通過(guò)L1-范數(shù)最小化求解稀疏系數(shù)28-29
• 3.3 基于稀疏表示的分類(lèi)算法29-30
• 3.4 仿真實(shí)驗(yàn)及結(jié)果30-33
• 3.4.1 實(shí)驗(yàn)設(shè)置30
• 3.4.2 OMP和SpaRSA兩種稀疏方法下的性能比較30-32
• 3.4.3 與SVM和ELM的性能比較32-33
• 3.5 本章小結(jié)33-34
• 第4章 基于集成約束優(yōu)化超限學(xué)習(xí)機(jī)的智能地標(biāo)識(shí)別算法34-48
• 4.1 引言34-35
• 4.2 超限學(xué)習(xí)機(jī)理論35-37
• 4.3 基于約束優(yōu)化的超限學(xué)習(xí)機(jī)37-40
• 4.4 基于集成約束優(yōu)化超限學(xué)習(xí)機(jī)的框架40-42
• 4.5 仿真實(shí)驗(yàn)及結(jié)果42-47
• 4.5.1 實(shí)驗(yàn)設(shè)置42
• 4.5.2 不同規(guī)則化系數(shù)和隱層節(jié)點(diǎn)下的性能42
• 4.5.3 與CO-ELM和SVM的比較42-44
• 4.5.4 不同CO-ELM個(gè)數(shù)下的性能比較44-47
• 4.6 本章小結(jié)47-48
• 第5章 融合稀疏表示和超限學(xué)習(xí)機(jī)的智能地標(biāo)識(shí)別算法48-61
• 5.1 引言48
• 5.2 用于圖像分類(lèi)的稀疏表示和超限學(xué)習(xí)機(jī)的概述48-52
• 5.2.1 稀疏表示分類(lèi)器概述48-52
• 5.2.2 超限學(xué)習(xí)機(jī)概述52
• 5.3 融合稀疏表示和超限學(xué)習(xí)機(jī)的地標(biāo)識(shí)別框架52-55
• 5.3.1 地標(biāo)識(shí)別框架的概述52-54
• 5.3.2 稀疏表示和超限學(xué)習(xí)機(jī)之間的判別標(biāo)準(zhǔn)54-55
• 5.3.3 融合稀疏表示和超限學(xué)習(xí)機(jī)的地標(biāo)識(shí)別算法55
• 5.4 仿真實(shí)驗(yàn)及結(jié)果55-60
• 5.4.1 實(shí)驗(yàn)設(shè)置55-56
• 5.4.2 與ELM和SRC的性能比較56-59
• 5.4.3 SPK-BoW與SVT特征框架下的比較59-60
• 5.5 本章小結(jié)60-61
• 第6章 總結(jié)與展望61-63
• 6.1 工作總結(jié)61-62
• 6.2 展望62-63
• 致謝63-64
• 參考文獻(xiàn)64-69
• 附錄69

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 李映;張艷寧;許星;;基于信號(hào)稀疏表示的形態(tài)成分分析:進(jìn)展和展望[J];電子學(xué)報(bào);2009年01期

2 趙瑞珍;王飛;羅阿理;張彥霞;;基于稀疏表示的譜線(xiàn)自動(dòng)提取方法[J];光譜學(xué)與光譜分析;2009年07期

3 楊蜀秦;寧紀(jì)鋒;何東健;;基于稀疏表示的大米品種識(shí)別[J];農(nóng)業(yè)工程學(xué)報(bào);2011年03期

4 史加榮;楊威;魏宗田;;基于非負(fù)稀疏表示的人臉識(shí)別[J];計(jì)算機(jī)工程與設(shè)計(jì);2012年05期

5 高志榮;熊承義;笪邦友;;改進(jìn)的基于殘差加權(quán)的稀疏表示人臉識(shí)別[J];中南民族大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年03期

6 朱杰;楊萬(wàn)扣;唐振民;;基于字典學(xué)習(xí)的核稀疏表示人臉識(shí)別方法[J];模式識(shí)別與人工智能;2012年05期

7 耿耀君;張軍英;袁細(xì)國(guó);;一種基于稀疏表示系數(shù)的特征相關(guān)性測(cè)度[J];模式識(shí)別與人工智能;2013年01期

8 張疆勤;廖海斌;李原;;基于因子分析與稀疏表示的多姿態(tài)人臉識(shí)別[J];計(jì)算機(jī)工程與應(yīng)用;2013年05期

9 李正周;王會(huì)改;劉梅;丁浩;金鋼;;基于形態(tài)成分稀疏表示的紅外小弱目標(biāo)檢測(cè)[J];彈箭與制導(dǎo)學(xué)報(bào);2013年04期

10 胡正平;趙淑歡;李靜;;基于塊稀疏遞推殘差分析的稀疏表示遮擋魯棒識(shí)別算法研究[J];模式識(shí)別與人工智能;2014年01期

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前3條

1 何愛(ài)香;劉玉春;魏廣芬;;基于稀疏表示的煤矸界面識(shí)別研究[A];虛擬運(yùn)營(yíng)與云計(jì)算——第十八屆全國(guó)青年通信學(xué)術(shù)年會(huì)論文集（上冊(cè)）[C];2013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 葛鳳翔;任歲玲;郭鑫;郭良浩;孫波;;微弱信號(hào)處理及其研究進(jìn)展[A];中國(guó)聲學(xué)學(xué)會(huì)水聲學(xué)分會(huì)2013年全國(guó)水聲學(xué)學(xué)術(shù)會(huì)議論文集[C];2013年

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 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 王亞寧;基于信號(hào)稀疏表示的電機(jī)故障診斷研究[D];河北工業(yè)大學(xué);2014年

3 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

4 黃國(guó)華;蛋白質(zhì)翻譯后修飾位點(diǎn)與藥物適應(yīng)癥預(yù)測(cè)方法研究[D];上海大學(xué);2015年

5 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

6 王文卿;基于融合框架與稀疏表示的遙感影像銳化[D];西安電子科技大學(xué);2015年

7 解虎;高維小樣本陣列自適應(yīng)信號(hào)處理方法研究[D];西安電子科技大學(xué);2015年

8 秦振濤;基于稀疏表示及字典學(xué)習(xí)遙感圖像處理關(guān)鍵技術(shù)研究[D];成都理工大學(xué);2015年

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

10 孫樂(lè);空譜聯(lián)合先驗(yàn)的高光譜圖像解混與分類(lèi)方法[D];南京理工大學(xué);2014年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 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

2 李哲;基于稀疏表示和LS-SVM的心電信號(hào)分類(lèi)[D];河北大學(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(xiàn)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(jué)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 賀妍斐;基于稀疏表示與自適應(yīng)倒易晶胞的遙感圖像復(fù)原方法研究[D];南京信息工程大學(xué);2015年

9 楊爍;電能質(zhì)量擾動(dòng)信號(hào)的稀疏表示/壓縮采樣研究[D];西南交通大學(xué);2015年

10 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

，

本文編號(hào)：1012562