多层融合深度局部pca子空间稀疏优化特征提取模型.pdfVIP

第１０期 电　　子　　学　　报 Ｖｏｌ．４５　Ｎｏ．１０ ２０１７年１０月 ＡＣＴＡＥＬＥＣＴＲＯＮＩＣＡＳＩＮＩＣＡ Ｏｃｔ．　２０１７ 多层融合深度局部 ＰＣＡ子空间 稀疏优化特征提取模型 胡正平，陈俊岭 （燕山大学信息科学与工程学院，河北秦皇岛０６６００４） 　　摘　要：　子空间方法是主要利用全局信息的经典模式识别方法，随着深度学习思想的引入，局部自学习结构特 征模型得到大家的关注．利用深度学习原理，本文提出一种多层融合的深度局部子空间稀疏优化特征自学习抽取模型 解决目标识别问题．首先，对训练样本集通过最小化重构误差得到第一层的主成分（ＰｒｉｎｃｉｐａｌＣｏｍｐｏｎｅｎｔＡｎａｌｙｓｉｓ， ＰＣＡ）特征映射矩阵；然后，通过Ｌ范数约束对特征映射结果进行稀疏优化，提高算法鲁棒性．接着，在第二层映射层 １ 以第一层的特征输出为输入，进行同样的特征矩阵学习操作，最终将图像映射至深层ＰＣＡ子空间；然后，对各个映射 层的特征提取结果进行加权融合，进行二值化哈希编码和直方图分块编码，提取图像的深度子空间稀疏特征．在ＦＥ ＲＥＴ、ＡＲ、Ｙａｌｅ等经典人脸数据库以及ＭＮＩＳＴ、ＣＩＦＡＲ１０等目标数据库上的实验结果表明，该算法可以取得较高的识 别率以及较好的光照、表情、人脸朝向鲁棒性，并且相对于卷积神经网络等深度学习框架具有结构简洁、收敛速度快等 优点． 关键词：　深度学习；多层融合；子空间；稀疏优化 中图分类号：　ＴＰ３９１．４　　　文献标识码：　Ａ　　　文章编号：　０３７２２１１２（２０１７）１０２３８３０７ 电子学报ＵＲＬ：ｈｔｔｐ：／／ｗｗｗ．ｅｊｏｕｒｎａｌ．ｏｒｇ．ｃｎ　 ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．０３７２２１１２．２０１７．１０．０１１ ＦｅａｔｕｒｅＥｘｔｒａｃｔｉｏｎＭｏｄｅｌＢａｓｅｄｏｎＭｕｌｔｉｌａｙｅｒｅｄ ＤｅｅｐＬｏｃａｌＳｕｂｓｐａｃｅＳｐａｒｓｅＯｐｔｉｍｉｚａｔｉｏｎ ＨＵＺｈｅｎｇｐｉｎｇ，ＣＨＥＮＪｕｎｌｉｎｇ （ＳｃｈｏｏｌｏｆＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｒｉｎｇ，ＹａｎｓｈａｎＵｎｉｖｅｒｓｉｔｙ，Ｑｉｎｈｕａｎｇｄａｏ，Ｈｅｂｅｉ０６６００４，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：　Ｓｕｂｓｐａｃｅｍｅｔｈｏｄｉｓｃｌａｓｓｉｃａｌｐａｔｔｅｒｎｒｅｃｏｇｎｉｔｉｏｎｍｅｔｈｏｄ，ｔｈａｔｕｓｅｓｇｌｏｂａｌｉｎｆｏｒｍａｔｉｏｎｍａｉｎｌｙｔｏｄｅｎｏｔｅａｎ ｉｍａｇｅ．Ｒｅｃｅｎｔｌｙ，ｗｉｔｈｔｈｅｉｎｔｒｏｄｕｃｔｉｏｎｏｆｄｅｅｐｌｅａｒｎｉｎｇ，ｔｈｅｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎｍｏｄｅｌｂａｓｅｄｏｎｌｏｃａｌｓｅｌｆｌｅａｒｎｉｎｇｈａｓａｔｔｒａｃｔｅｄ ｍｏｒｅａｎｄｍｏｒｅａｔｔｅｎｔｉｏｎ．Ｂｙｕｓｉｎｇｔｈｅｔｈｅｏｒｙｏｆｄｅｅｐｌｅａｒｎｉｎｇ，ｔｈｉｓｐａｐｅｒｐｒｅｓｅｎｔｓａｎｅｗｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎｍｏｄｅｌｂａｓｅｄｏｎ ｍｕｌｔｉｌａｙｅｒｅｄｄｅｅｐｌｏｃａｌｓｕｂｓｐａｃｅｓｐａｒｓｅｏｐｔｉｍｉｚａｔｉｏｎｔｏｓｏｌｖｅｔｈｅｐｒｏｂｌｅｍｏｆｏｂｊｅｃｔｒｅｃｏｇｎｉｔｉｏｎ．Ｆｉｒｓｔｌｙ，ｗｅｃａｌｃｕｌａｔｅｔｈｅ ＰＣＡｍａｐｐｉｎｇｍａｔｒｉｘｏｎｔｈｅｆｉｒｓｔｌａｙｅｒｂｙｍｉｎｉｍｉｚｉｎｇｔｈｅｒｅｃｏｎｓｔｒｕｃｔｉｏｎｅｒｒｏｒｏｎｔｈｅｔｒａｉｎｉｎｇｓａｍｐｌｅｓｅｔ，ｔｈｅｎｗｅｏｐｔｉｍｉｚｅ ｔｈｅｆｅａｔｕｒｅｍａｐｐｉｎｇｒｅｓｕｌｔｓｔｈｒｏｕｇｈＬｎｏ