自适应学习多特征元素协同表示分类算法.docVIP

自适应学习多特征元素协同表示分类算法 　　摘 要：针对基于传统的稀疏表示分类算法的单特征鉴别性较弱这一不足，提出一种基于自适应学习的多特征元素协同表示分类算法SLMCE_CRC。该算法结合多特征子字典的思想，对样本提出特征元素的双重分解，并分别从特征和元素角度分别进行相应的协同表示，自适应地学习出各个特征的稀疏权重和元素的残差权重，并进行线性加权，从而实现目标的分类。实验结果表明，使用该方法能显著提高识别率，尤其对含有较多特征细节的图像数据，具有一定的实用价值。 　　关键词：自适应权重；协同表示；稀疏表示；特征提取；元素分解 　　0 引言 　　近年来稀疏表示理论已经成为各领域的研究热点，广泛应用于图像处理和模式识别中，特别是在人脸识别、图像分类、字符识别等分类问题中具有突出表现，主要是源于l0范数和l1范数正规化的发展。在模式分类领域，Wright等[1]提出了Sparse Representation Classifier （SRC）分类器，主要思想是：在一个训练样本空间充足的条件下，任一类别向量的数据都可以由训练样本中同类的样本数据子空间进行线性表示，即通过完备字典的训练样本来将目标向量数据线性组合，目标类别向量能够被表示或者逼近成同类的样本数据的线性组合。 　　SRC在人脸识别领域的成功促进了基于稀疏表示的模式分类的研究，例如Li等[2]提出了局部稀疏表示的分类算法，其利用测试样本的k个最近邻居来计算测试样本的稀疏表示，降低SRC算法计算复杂度。 　　Huang等[3]提出了一种快速稀疏表示算法，基于同一类的训练图像可建模为一个小的样本集的理论，借助于K均值奇异值分解（Kmeans Singular Value Decomposition，KSVD）求出超完备字典，从而将稀疏表示问题转化为最小化l1范数问题，并将字典进一步压缩为更小的集合，很大程度上缩短了运算时间；但该方法造成了识别精度较明显的下降。 　　Yang等[4]提出了鲁棒的人脸识别稀疏编码，该方法在具有稀疏性的同时还具有鲁棒性很强的重构性，进而有效地实现了对有损信号的分类。 　　Yang等[5]通过学习Gabor字典，提取人脸的Gabor特征降维和l0范数相结合快速稀疏分类进行识别。 　　Zhang等[6]则将字??减少为测试图像固定数量的近邻进行稀疏表示，并达到较好的识别效果；但缺乏测试样本的不同分布特性及训练样本类别的选择。 　　段刚龙等[7]提出基于自适应权重的多重稀疏表示分类算法（adaptive weighted Multiple Sparse Representation Classification approach， MSRC），从特征角度构建SRC的特征子字典，分别进行相应的稀疏表示求解，实现了SRC的识别效率提升和适用范围的扩大。 　　虽然大量相关研究都促进了SRC算法的发展，揭示了SRC算法稀疏性在模式分类中的重要性，但是其机理始终没有得到有效的解释。Wright等[8]过分强调了l1范数的稀疏性在人脸识别中的重要性，而近年来的研究开始质疑l1范数的准确性，发现大多数研究忽略了协同表示（Collaborative Representation，CR）的作用，因为任意测试样本都是使用所有类别训练样本表示的[9]。Shi等[10]也对稀疏表示的l1范数的有效性产生质疑。Zhang等[11]解释了稀疏性为什么可以进行特征鉴别，通过实验证明了稀疏表示模式分类的有效性不是因为l1范数的作用，而是l2范数正规化的稀疏表示系数直接影响人脸识别的效果，提出了协同表示分类（Collaborative Representation Classification， CRC）算法。 　　CRC算法是一种比较有效的分类算法，样本和字典的质量对于稀疏表示分类算法的性能有着非常重要的影响，但是在构建完备字典时，首先大量的随机数据仅一次特征选取，并不能捕捉信号内在本质特征，重构具有不确定性，并且对噪声的影响比较敏感[10]，忽略了训练样本数据的特征，具有单特征鉴别性较弱的不足之处，并不能满足实际分类中的需求。 　　MSRC算法[7]针对SRC的单特征鉴别性较弱这一不足，对样本从多个不同外部特征训练字典出发，分别进行相应的稀疏表示；同时根据SRC算法计算外部特征子字典的鉴别性，自适应地学习出稀疏权重。该算法改进了SRC，同时证明了SRC表示具有多重特征。但是MSRC也存在一定的不足： 　　首先SRC分类算法的识别效力主要是受到稀疏系数的l2范数正规化影响，并且反映出多重特征的重点不是SRC，而是CRC；与此同时，CRC算法作为SRC算法的机理性阐述，一样具有多重外部特征。CRC算法同时具有内部特征和多重的可分解性，并且其内部特征同时发挥着不同