基于稀疏表示和超限学习机的智能地标识别算法-控制工程专业论文.docxVIP

万方数据 万方数据 Dissertation Submitted to Hangzhou Dianzi University for the Degree of Master Landmark Recognition Algorithm based on Sparse Representation Classification and Extreme Learning Machine Candidate: Yanfei Zhao Supervisor: Prof. Xiaoping Lai March, 2016 杭州电子科技大学 学位论文原创性声明和使用授权说明 原创性声明 本人郑重声明： 所呈交的学位论文，是本人在导师的指导下，独立进行研究工作所取得 的成果。除文中已经注明引用的内容外，本论文不含任何其他个人或集体已经发表或撰写过 的作品或成果。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。 申请学位论文与资料若有不实之处，本人承担一切相关责任。 论文作者签名： 日期： 年 月 日 学位论文使用授权说明 本人完全了解杭州电子科技大学关于保留和使用学位论文的规定，即：研究生在校攻读 学位期间论文工作的知识产权单位属杭州电子科技大学。本人保证毕业离校后，发表论文或 使用论文工作成果时署名单位仍然为杭州电子科技大学。学校有权保留送交论文的复印件， 允许查阅和借阅论文；学校可以公布论文的全部或部分内容，可以允许采用影印、缩印或其 它复制手段保存论文。（保密论文在解密后遵守此规定） 论文作者签名： 日期： 年 月 日 指导教师签名： 日期： 年 月 日 杭州电 杭州电子科技大学硕士学位论文 摘要 近些年，随着智能移动终端的发展，地标识别已经引起越来越多研究者的注意。提出一 个具备高识别度和快速反应速度的识别系统是非常必要的。本论文中，我们首先把压缩感知 （Compressed Sensing，CS）理论中的稀疏表示方法和基于集成的约束优化超限学习机 （Extreme Learning Machine，ELM）分别应用于地标识别，同时整合这两个算法的优点，我 们提出了融合稀疏表示和超限学习机的地标识别框架。为了能有效的利用地标图片的空间分 层信息，近来比较流行的基于空间金字塔核的词袋模型（ Spatial Pyramid Kernel based Bag-of-Word，SPK-BoW）被用来进行图片的特征提取和描述。下面是本论文的主要贡献： （1）基于稀疏表示的地标识别。首先用训练样本构造字典，那么待测样本的识别问题 就转换为过完备等式下的线性表示问题。这个稀疏表示问题可以采用压缩感知理论下的信号 恢复算法求解。这里我们采用两个具有代表性的方法来求解稀疏系数，正交基追踪（Orthogonal Matching Pursuit ， OMP ）和分离逼近的稀疏重构（ Sparse Reconstruction by Separable Approximation，SpaRSA）。这个识别算法具有高的识别精度，但是识别速度慢。 （2）基于集成的约束优化超限学习机的地标识别。约束优化超限学习机是通过在超限 学习机的输出权重范数和训练误差之间引入一个规则化系数来调节目标函数的。为了提高识 别性能，用基于集成的约束优化超限学习机来训练分类器。实验表明，提出的方法从整体上 获得了比原始的约束优化超限学习机和支持向量机（Support Vector Machine，SVM）更好的 性能。 （3）融合稀疏表示和超限学习机的地标识别。尽管稀疏表示和超限学习机都获得了一 些不错的成就，但是设计出一个拥有高精度和快速反应速度的稳定识别系统还是具有挑战性 的。为了解决这个问题，我们提出一个融合稀疏表示和超限学习机的地标识别框架。实验表 明，这个融合框架的地标识别系统获得了比超限学习机高的识别精度，同时比稀疏表示低的 反应时间。 （4）基于空间金字塔核的词袋模型。地标图片的目标一般位于图片的中央，而背景信 息则分布在图片的四周。传统的词袋模型往往忽视了地标图片的这种空间分布特性，因此不 能有效的表示地标图片。为了充分利用地标图片的空间分布特性，本文我们采用基于空间金 字塔核的词袋模型。 关键字：压缩感知，稀疏表示，超限学习机，词袋模型，地标识别 I ABSTRACT Along with the rapid development of intelligent mobile terminals, landmark recognition attracts increasingly attentions by world-wide researchers in the past several years. Proposing a robu