一种多尺度压缩感知图像识别算法.docxVIP

一种多尺度压缩感知图像识别算法 本文提出了一种多尺度压缩感知成像检测算法（mcs）。该算法采用加权核范数来描述误差图像的低秩结构，对编码系数增加l2,1范数约束；然后利用交替方向乘子法优化求解目标函数。在ExYaleB公开人脸数据库上的实验结果表明，MCSO对于遮挡图像的分类识别能力优于RRC、HQ＿A和HQ＿M算法。 图像识别作为计算机视觉和模式识别领域中比较具有挑战性的问题近年来受到了诸多学者们的关注。许多算法被应用于图像识别，其中以对人脸图像的分类识别最为热门。在这些算法中，对于人脸图像而言，基于回归分析的算法获得了显著的成效。线性回归分类器（Linear regression classifier,LRC）、基于稀疏表示的分类器（Sparse representation-based classifier,SRC）、协作表示分类器（Collaborative representation-based classification,CRC）、强健的稀疏编码算法（Robust sparse coding,RSC）以及基于半二次相加框架的HQ＿A和基于半二次相乘框架的HQ＿M(He R,Zheng W S,Tan T,et al.Half-quadraticbased iterative minimization for robust sparse representation）等都是经典的回归分析算法。虽然这类算法对于特定的人脸图像分类效果不错，但却不适用于真实环境下受遮挡、姿势、光照变化等状况影响下的人脸图像识别。 Yang等人（J.Yang,L.Luo,J.Qian,et al.Nuclear norm based matrix regression with applications to face recognition with occlusion and illumination changes）和Xu等人（Y.Xu,X.Fang,J.Wu,et al.Discriminative transfer subspace learning via low-rank and sparse representation）发现遮挡和光照变化一般会使得误差图像呈现出低秩或近似低秩的特征。基于此，为了有效利用误差图像的低秩结构，Yang等人提出了基于核范数的矩阵回归（Nuclear norm based matrix regression,NMR）模型用于人脸图像的表示和分类。NMR的核心思想是以核范数近似低秩来解决误差矩阵的秩最小化NP难题（Hyder M,Mahata K.An approximate L0 norm minimization algorithm for compressed sensing）。Lu等人（C.Lu,J.Tang,S.Yan,et al.Nonconvex nonsmooth low rank minimization via iteratively reweighted nuclear norm）利用矩阵l0范数的奇异值的非凸代理函数来近似低秩，能有效避免核范数最小化的解次优于原秩最小值的缺陷。 受启发于以上算法，本文针对受遮挡的图像，提出了一种多尺度压缩感知图像识别算法（Multi-scale compressed sensing with occlusion,MCSO）：首先，采用加权核范数来描述误差图像的低秩结构；然后，增加了对编码系数的l2,1范数约束；最后，利用交替方向乘子法（Alternating Direction Method of Multipliers,ADMM）优化求解目标函数。 本文后续结构安排如下。第1节描述了MCSO算法的目标函数，并给出了模型优化求解方案。第1节选择ExYaleB(Lee K C,Ho J,Kriegman D J.Acquiring linear subspaces for face recognition under variable lighting）公开人脸数据库验证MCSO对于遮挡图像的分类识别能力。最后，总结全文工作。 1 admm求解误差图像的优化 本节给出多尺度压缩感知图像识别算法模型，然后利用交替方向乘子法优化求解模型的目标函数。 给定图像矩阵集A 其中，x MCSO采用加权核范数来描述误差图像的低秩结构。然后，增加了对稀疏系数的l2,1范数约束。其目标函数为： 其中，s=[s 采用ADMM求解目标函数(3)，将式(3)转化为等价约束优化问题： 得到式(4)的增广拉格朗日形式： 其中，ρ0为惩罚参数，Z为拉格朗乘子，Tr(?)代表迹操作。上式包含以下迭代步骤： 具体而言，给定E 接着更新E：首先，更新加权向量s 最后，通过式