本文選題：圖像識別　切入點：稀疏模型　出處：《北京郵電大學》2015年博士論文

【摘要】：隨著移動互聯(lián)網(wǎng)和數(shù)字多媒體等技術的不斷發(fā)展,以圖像為載體的交流方式越來越多,因此圖像識別技術顯得愈發(fā)重要。稀疏模型作為神經(jīng)生理學、計算機科學和人工智能的交叉研究領域,近年來在圖像識別領域內(nèi)發(fā)展迅速,已成為圖像處理和計算機視覺等領域內(nèi)的研究熱點和難點。首先,本文對稀疏模型中的字典學習問題、稀疏編碼問題和稀疏表示的降維問題進行了深入研究,并提出一系列算法；然后,將這一系列算法代入基于稀疏模型的圖像識別系統(tǒng)中,并通過實驗驗證了它們的有效性。本文的主要工作和創(chuàng)新點如下：1.基于圖像識別中稀疏模型的結構化特點和字典的判別性假設,本文提出了一種塊稀疏判別字典學習算法。首先,該算法利用塊稀疏的特點確定稀疏表示中非零項的位置,簡化了系數(shù)求解的步驟；其次,引入不同類別子字典的相關性約束,增加類間距離并增強字典的判別性；再次,本文提出在測試階段用結構化稀疏編碼算法代替?zhèn)鹘y(tǒng)稀疏編碼算法；最后,本文給出該算法基于梯度下降的優(yōu)化策略。在人臉數(shù)據(jù)集上的實驗結果表明塊稀疏判別字典學習算法和結構化稀疏編碼算法能提高圖像識別系統(tǒng)的性能。2.利用同類信號間的強相關性,本文提出了塊約束低秩字典學習算法和低秩局部稀疏編碼算法。首先,塊約束低秩字典學習算法利用塊稀疏的特點限制稀疏表示中非零項的位置,并引入低秩約束對樣本間的相關性建模；其次,低秩局部稀疏編碼算法將訓練樣本集加入測試樣本的系數(shù)求解過程中,避免當測試樣本過少時出現(xiàn)無法求解系數(shù)的問題；最后,本文還提出了塊約束低秩字典學習算法和低秩局部稀疏編碼算法的優(yōu)化流程。通過人臉識別實驗和物體識別實驗證明塊約束低秩字典學習算法和低秩局部稀疏編碼算法能有效地提高算法的識別準確率。3.根據(jù)圖像識別中稀疏表示的塊結構化特點,本文提出了一種基于圖的塊稀疏降維算法。首先,提出塊稀疏表示距離計算公式,該距離對稀疏表示中同類分量和不同類分量采用不同的度量方式,減少了稀疏表示中由于同類分量的非零項位置沒有對齊帶來的誤差,同時增強了算法的判別性；其次,基于圖的塊稀疏降維算法使用塊稀疏表示距離構建樣本間的鄰接矩陣,并以保留樣本在一定鄰域內(nèi)互相之間的距離關系為準則進行非線性降維；最后,本文還給出了基于圖的塊稀疏降維算法的計算步驟。在人工模擬數(shù)據(jù)集和人臉數(shù)據(jù)集上的實驗結果證明基于圖的塊稀疏降維算法能有效降低識別錯誤率。4.針對非線性降維算法的“新樣本擴展問題”,本文提出了一種基于圖的塊稀疏線性降維算法,并將其與塊約束低秩字典學習算法和低秩局部稀疏編碼算法相結合,提出基于判別性塊稀疏與低秩的圖像識別算法。首先,將基于圖的塊稀疏降維算法線性化,提出基于圖的塊稀疏線性降維算法,使其更適合實際的圖像識別系統(tǒng)；然后,將塊約束低秩字典學習算法、低秩局部稀疏編碼算法和基于圖的塊稀疏線性降維算法代入基于稀疏模型的圖像識別系統(tǒng)中,得到基于判別性塊稀疏與低秩的圖像識別算法。該算法在人臉識別實驗和物體識別實驗上的結果驗證了本文創(chuàng)新點的有效性。
[Abstract]:With the continuous development of mobile Internet and digital multimedia technology, based on image more and more ways to communicate, so the image recognition technology becomes more and more important. As a sparse model of neurophysiology, interdisciplinary research field of computer science and artificial intelligence, in recent years in the field of image recognition in the rapid development, has become a research hotspot and difficulty in the field of image processing and computer vision in this paper. Firstly, the problem of learning in the dictionary in the sparse model, studied the problem of dimensionality reduction problem of sparse encoding and sparse representation, and proposed a series of algorithms; then, it will be a series of algorithms based on sparse model into image recognition system, and their effectiveness. By experiments. The main work and innovations are as follows: 1. the structural features and image recognition dictionary sparse model discrimination based on sex Assumptions, this paper proposes a block sparse discriminant dictionary learning algorithm. Firstly, the algorithm uses the characteristics of block sparse sparse representation in determining non-zero position, simplifies the steps of solving the coefficient; secondly, correlation constraints introduce different class sub dictionaries, increase the distance between the class and enhance the discriminative dictionary; again. This paper proposes the use of structured sparse encoding algorithm to replace the traditional sparse encoding algorithm in the test stage; finally, this paper gives the algorithm optimization strategy based on gradient descent. In the face data sets. The experimental results show that the block sparse discrimination dictionary learning algorithm and structured sparse encoding algorithm can improve the utilization of the strong correlation between signals of similar performance of.2. image recognition system in this paper, a low rank constraint dictionary learning algorithm and low rank local sparse encoding algorithm. Firstly, a low rank constraint learning algorithm uses the block dictionary The characteristics of restricted sparse sparse representation of the nonzero entries in the position, and the introduction of low rank constraint on the correlation between the modeling samples; secondly, the process of solving the coefficients of low rank local sparse encoding algorithm will join the training sample set of test samples, when the test sample is too little to avoid be coefficients problem; finally, this paper also put forward the optimization process of the low rank constraint block dictionary learning algorithm and low rank local sparse encoding algorithm. Through the experiments on face recognition and object recognition experiments show that the low rank constraint block dictionary learning algorithm and low rank local sparse encoding algorithm can effectively improve the recognition accuracy of.3. according to the characteristics of block structured sparse image recognition in this paper said, proposes a dimensionality reduction algorithm based on block sparse graph. Firstly, the block sparse representation formula of distance, the distance of the sparse representation of similar and different components The component type measure using different methods, reduce the sparse representation because of similar components non zero position error is not aligned to bring, and enhances the discrimination of the algorithm; secondly, block sparse graph based dimensionality reduction algorithm using block sparse representation constructed from samples of the adjacency matrix, and to keep the samples in a certain in the neighborhood of the distance relationship between each other as a criterion for nonlinear dimensionality reduction; finally, this paper gives the calculation steps of dimensionality reduction algorithm based on block sparse graph. In the artificial data set and face data sets. The experimental results show that based on graph block sparse dimensionality reduction algorithm can effectively reduce the recognition error rate for nonlinear.4. dimensionality reduction algorithm "new extended sample", this paper proposes a dimensionality reduction algorithm based on sparse linear block diagram, and the low rank constraint block dictionary learning algorithm and low rank local sparse coding The combination of code algorithm, proposed an image recognition algorithm of distinguishing block sparse and low rank based. First, the block sparse graph based dimensionality reduction algorithm of linear dimensionality reduction algorithm is proposed based on sparse linear block diagram, the image recognition system is more practical; then, the low rank constraint block dictionary learning algorithm low rank, local sparse encoding algorithm and block sparse linear graph based dimensionality reduction algorithm based on image recognition system into sparse model, image recognition algorithm of distinguishing the block sparse and low rank based on the recognition algorithm. The experimental results verify the effectiveness of this innovation in face recognition experiments and objects.

【學位授予單位】：北京郵電大學
【學位級別】：博士
【學位授予年份】：2015
【分類號】：TP391.41

【相似文獻】

相關期刊論文 前10條

1 陳寧;;交通中的圖像識別應用[J];軟件工程師;2012年04期

2 殷曉磊;;海訊圖像識別 連結“天”與“地”——專訪上海亮風臺(上海)信息科技有限公司聯(lián)合創(chuàng)始人廖春元[J];上海信息化;2013年06期

3 高巖,蔡韓輝,丁智,鄭根福,謝駿;圖像識別中的小內(nèi)孔問題[J];大連輕工業(yè)學院學報;2000年04期

4 丁國芳,譚兆信,湯庸,章云;圖像識別的一個綜合網(wǎng)絡模型及其應用[J];貴州工業(yè)大學學報(自然科學版);2002年04期

5 張曉春,劉巖;基于計算機圖像識別的表面裂紋檢測方法[J];重型機械;2003年05期

6 張艷輝 ,孫以材;圖像識別在四探針測試技術中的應用[J];電子產(chǎn)品世界;2004年03期

7 趙新子,吳巍,司秀麗,袁洪印;玉米種子活力圖像識別與處理技術研究[J];吉林農(nóng)業(yè)大學學報;2004年05期

8 司秀麗;吳巍;趙新子;彭占武;袁洪印;;玉米種子純度的計算機圖像識別[J];吉林農(nóng)業(yè)大學學報;2005年06期

9 馬仲智;;基于單片機的圖像識別模組的研究[J];科技信息(科學教研);2007年18期

10 王方永;王克如;王崇桃;李少昆;朱玉;陳兵;明博;潘文超;;基于圖像識別的棉花水分狀況診斷研究[J];石河子大學學報(自然科學版);2007年04期

相關會議論文 前10條

1 高曉丁;左賀;高鵬;;基于圖像識別的多套色印花對花定位技術研究[A];佶龍杯第四屆全國印花學術研討會論文集[C];2009年

2 郭艷;王萍;朱國;;基于圖像識別的射擊自動報靶系統(tǒng)[A];計算機技術與應用進展·2007——全國第18屆計算機技術與應用（CACIS）學術會議論文集[C];2007年

3 姜洪臣;任曉磊;趙耀宏;徐波;;基于音頻語譜圖像識別的廣告檢索[A];第十一屆全國人機語音通訊學術會議論文集（二）[C];2011年

4 姜洪臣;任曉磊;趙耀宏;徐波;;基于音頻語譜圖像識別的廣告檢索技術[A];第十一屆全國人機語音通訊學術會議論文集（一）[C];2011年

5 劉翠響;孫以材;張艷;于明;;基于三控制要素的多項式模糊擬合在人臉圖像識別中的應用[A];第25屆中國控制會議論文集（下冊）[C];2006年

6 林達宜;邱利松;張莎;;物聯(lián)網(wǎng)發(fā)展與圖像識別[A];2012全國無線及移動通信學術大會論文集（上）[C];2012年

7 王利強;張紅梅;;儲糧害蟲圖像識別知識庫研究[A];計算機研究新進展（2010）——河南省計算機學會2010年學術年會論文集[C];2010年

8 俞建榮;卜凡亮;李文力;陸曉軍;;流化床氣泡運動的圖像識別與分析[A];第三屆全國信息獲取與處理學術會議論文集[C];2005年

9 李靈;;情景智能圖像識別和數(shù)字化處理技術在型式評價試驗中的運用[A];2013年江蘇省計量測試學會學術會議論文集[C];2013年

10 于麗穎;;圖像識別方法技術分析與應用[A];第24屆全國煤礦自動化與信息化學術會議暨第6屆中國煤礦信息化與自動化高層論壇論文集[C];2014年

相關重要報紙文章 前10條

1 記者 鄭曉春;以開發(fā)出計算機圖像識別新技術[N];科技日報;2007年

2 沈曉光邋編譯;半導體技術向低耗能發(fā)展[N];中國電子報;2008年

3 記者 李紅;法研究出圖像識別軟件[N];科技日報;2000年

4 海言;慧視：讓電腦“識文斷字”[N];科技日報;2007年

5 田夢;PDF圖像識別助推電子政務[N];計算機世界;2007年

6 比爾·蓋茨;軟件邊界不斷改變令人興奮[N];中國電子報;2008年

7 宋輝;擺脫束縛慧視展現(xiàn)新的生活體驗[N];中國企業(yè)報;2004年

8 本報記者 湯銘;認知計算，未來計算[N];計算機世界;2013年

9 馮遜;埃及金字塔人類史上最大的謎[N];大眾科技報;2010年

10 本報記者 楊學聰 閆靜;觸碰“最未來”的生活[N];經(jīng)濟日報;2014年

相關博士學位論文 前10條

1 劉軍;人臉圖像識別關鍵技術的研究[D];北京郵電大學;2015年

2 柳楊;面向圖像識別的稀疏模型研究[D];北京郵電大學;2015年

3 王宇新;基于特征分布的圖像識別方法研究與應用[D];大連理工大學;2012年

4 陳健美;基于密度聚類和多特征融合的醫(yī)學圖像識別研究[D];江蘇大學;2008年

5 冉瑞生;一些矩陣計算問題及其在圖像識別中的應用研究[D];電子科技大學;2006年

6 李雅梅;南宋川南墓葬石刻藝術與計算機圖像識別應用的研究[D];重慶大學;2008年

7 侯書東;基于相關投影分析的特征提取研究及在圖像識別中的應用[D];南京理工大學;2012年

8 吳萌;多尺度表達和正則化方法在圖像識別中的研究與應用[D];上海交通大學;2014年

9 謝鉉洋;SARS醫(yī)學圖像識別與輔助診斷研究[D];中國科學技術大學;2006年

10 孫權森;基于相關投影分析的特征抽取與圖像識別研究[D];南京理工大學;2006年

相關碩士學位論文 前10條

1 王明靜;蟻群算法在圖像識別中的應用研究[D];西安石油大學;2015年

2 劉宜闊;熱光關聯(lián)圖像識別的研究[D];河北大學;2015年

3 田湘源;基于圖像識別的中國畫真?zhèn)舞b別方法研究[D];西安建筑科技大學;2015年

4 任皓;基于圖像識別的PCB焊接質量檢測技術的研究[D];天津理工大學;2015年

5 王倩;基于圖像識別的油畫真?zhèn)舞b別方法研究[D];西安建筑科技大學;2015年

6 余征;基于Hadoop的人臉圖像識別并行處理方法研究與實現(xiàn)[D];西南交通大學;2015年

7 馬爽;基于圖像識別的教室照明節(jié)能系統(tǒng)的技術研究[D];沈陽理工大學;2015年

8 李義;基于相關學習神經(jīng)網(wǎng)絡的圖像識別方法研究[D];哈爾濱工業(yè)大學;2015年

9 李東;基于群智能算法優(yōu)化的超聲乳腺腫瘤圖像識別[D];第四軍醫(yī)大學;2015年

10 林開彬;基于圖像識別的無紙化閱卷空白題識別技術研究[D];貴州師范大學;2015年

，

本文編號：1697522