隨著計算機科技、物理和傳感器技術(shù)、存儲技術(shù)、網(wǎng)絡技術(shù)的飛速發(fā)展,數(shù)據(jù)的膨脹日益加劇。手機隨時拍以及各種場合不同用途的監(jiān)控攝像頭時時刻刻產(chǎn)生著海量圖像(視頻)數(shù)據(jù),各類智能移動機器人的研究中也在不斷收集和積累著實驗和測試圖像和視頻。從信號處理的角度來說,圖像是高維數(shù)據(jù),攜帶了大量復雜的信息和特征,如何對圖像數(shù)據(jù)進行高效的分析識別從而加以合理利用,是目前亟待研究和解決的問題。稀疏表示是近年來提出的一種新穎的信號處理技術(shù),而壓縮感知為其奠定了工程應用的理論基礎(chǔ)。目前稀疏表示已經(jīng)被廣泛的應用于計算機視覺、機器學習等領(lǐng)域,并且取得了有益的成果。例如:圖像壓縮、圖像去噪、圖像超分辨率、圖像重建、圖像分類識別等等。本文對基于稀疏表示和深度學習的圖像識別算法及應用進行了深入的研究,主要工作概括如下:1.圖像稀疏表示和深度學習方法。概括并重新描述了圖像稀疏表示的基本框架、方法;重點研究和重新描述了壓縮感知的理論框架,包括信號的稀疏表示、觀測矩陣設計、信號重構(gòu)理論。同時對深度學習的基礎(chǔ)函數(shù)進行描述和總結(jié)。2.提出了一種基于Log-Gabor的稀疏表示分類識別算法,通過將樣本數(shù)據(jù)的全局特征和局部特征信息進行...

【文章頁數(shù)】：112 頁

【學位級別】：博士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 選題背景和意義
    1.2 國內(nèi)外相關(guān)研究現(xiàn)狀
    1.3 主要研究內(nèi)容與創(chuàng)新點
第2章 圖像稀疏表示和深度學習方法
    2.1 壓縮感知
        2.1.1 基礎(chǔ)框架
        2.1.2 信號的稀疏表示
        2.1.3 觀測矩陣設計
        2.1.4 信號重構(gòu)
    2.2 稀疏表示
        2.2.1 稀疏表示數(shù)學基礎(chǔ)
        2.2.2 稀疏表示與壓縮感知的關(guān)系
    2.3 深度學習
        2.3.1 深度學習基礎(chǔ)知識
    2.4 本章小結(jié)
第3章 一種基于全局和局部特征融合的稀疏表示分類識別算法
    3.1 引言
    3.2 稀疏表示分解算法
        3.2.1 全局優(yōu)化算法
        3.2.2 貪婪算法
    3.3 一種基于Log-Gabor特征的稀疏表示分類算法
        3.3.1 Gabor特征分析
        3.3.2 Log-Gabor特征分析
        3.3.3 Log-Gabor特征提取
        3.3.4 Log-GSRC算法模型
    3.4 實驗
        3.4.1 公共人臉數(shù)據(jù)集
        3.4.2 交通標志數(shù)據(jù)集
        3.4.3 實驗結(jié)果
    3.5 本章小結(jié)
第4章 一種基于字典學習的稀疏表示分類識別算法
    4.1 引言
    4.2 字典學習基礎(chǔ)
        4.2.1 字典學習數(shù)學基礎(chǔ)
        4.2.2 字典構(gòu)造方法
    4.3 字典學習訓練算法
        4.3.1 最優(yōu)方向算法(Method of Optical Directions,MOD)
        4.3.2 在線字典學習算法(Online Dictionary Learning,ODL)
        4.3.3 K-SVD算法
    4.4 基于K-SVD字典學習的稀疏表示分類識別算法
        4.4.1 K-means均值算法
        4.4.2 K-SVD算法
        4.4.3 基于K-SVD字典學習的稀疏表示分類識別算法
    4.5 實驗
        4.5.1 公共人臉數(shù)據(jù)集
        4.5.2 交通標志樣本集
        4.5.3 實驗結(jié)果
    4.6 本章小結(jié)
第5章 一種基于深度學習特征的稀疏表示分類識別算法
    5.1 引言
    5.2 圖像特征的表示方法
        5.2.1 基于全局特征的圖像表示方法
        5.2.2 基于局部特征的圖像表示方法
        5.2.3 基于深度學習特征的圖像表示方法
    5.3 深度學習特征的數(shù)學模型
        5.3.1 BP神經(jīng)網(wǎng)絡(Back Propagation Neural Networks)
        5.3.2 卷積神經(jīng)網(wǎng)絡(Convolutional Neural Networks)
        5.3.3 玻爾茲曼機(Boltzmann Machine)和受限玻爾茲曼機(Restricted Boltzmann Mechine)
        5.3.4 自動編碼器(AutoEncoder)
        5.3.5 稀疏編碼和稀疏自編碼(Sparse Coding)
        5.3.6 深度置信網(wǎng)絡(Deep Belief Networks)
    5.4 基于深度學習特征的稀疏表示分類識別算法
        5.4.1 深度卷積神經(jīng)網(wǎng)絡
        5.4.2 深度卷積神經(jīng)網(wǎng)絡特征提取模型
        5.4.3 基于深度卷積神經(jīng)網(wǎng)絡特征的稀疏表示分類識別算法
    5.5 實驗
        5.5.1 數(shù)據(jù)集
        5.5.2 實驗結(jié)果
    5.6 本章小結(jié)
第6章 總結(jié)和展望
    6.1 主要工作和創(chuàng)新點
    6.2 下一步工作展望
參考文獻
致謝
在讀期間發(fā)表的學術(shù)論文與取得的其他研究成果



本文編號：3940968