ga作特征集结合判别式字典学习的图像识别算法.docxVIP

ga作特征集结合判别式字典学习的图像识别算法 0 基于局部特征的判别方法 稀疏表示客观事物的方法一直是计算机视觉、数学、计算机科学和模式识别领域的研究目标。特别是近来以L1、L1/2优化为核心的信号稀疏表示思路已经蔓延到模式识别界。可以预见,基于稀疏表示的模式识别研究理论将越来越受到重视,一方面它提供了高维空间的鲁棒低维表示,为低维空间建立新的模式识别算法提供巨大空间,同时还可以利用表示的稀疏度量准则来衡量模式之间的相似度。 基于信号稀疏表示的图像识别方法是基于过完备字典对测试样本的表示具有稀疏性这一先验知识,将识别问题看作是多个线性回归模型的分类问题,从稀疏的角度得到对图像最紧致的表示。文献提出稀疏表示的分类算法(SRC),该算法将测试样本表示为训练样本的加权线性组合,通过L1范数优化求取稀疏解,使得除测试样本所属类别外的其他训练样本的系数均为接近零,进而利用系数中所包含的判别信息,实现对测试图像的分类,对噪声和遮挡等表现出好的鲁棒性。稀疏表示方法本身具有判别性:自适应的选择所有表示中最稀疏的一种来表示待识别样本,并拒绝所有其他不稀疏的表示方式。将稀疏表示应用于图像识别领域,正是利用其本身所具有的这种判别性信息。在稀疏表示的图像识别方法中,过完备字典由所有训练样本构成,字典中的每一个基向量即代表一个训练样本,而且一般认为同一类训练样本位于同一个子空间中。在文献的基础上,近两年国内外学者已提出不少稀疏表示的图像分类方法。具有代表性的思路是对用于稀疏表示的过完备字典进行学习,使其更利于模式分类。字典学习旨在从训练样本学习一个能更好地表示或编码给定信号的一组基。例如文献为每一类样本学习一个更加紧凑的字典,在人脸识别上取得比SRC更好的效果。如何增加字典的约束条件,使得学习的字典更适应分类问题逐渐得到关注。为此文献通过增加不相干限制条件使每一类对应的子字典尽可能的相互独立,且在稀疏编码方式下能更好地实现信号重构与分类;一些研究者提出针对人脸识别的判别KSVD算法,通过寻找梯度下降的最优步长达到全局最小收敛,得到用于稀疏表示的最佳字典;文献提出标签一致K-SVD算法(LC-KSVD),该算法在字典学习模型中增加一个判别性稀疏编码误差约束来获得判别能力用于图像识别;另外一些研究者将最小描述长度(MDL)原则以及区分性限制约束条件引入稀疏表示模型,构建出新的字典学习模型。上述研究出发点都是在原始训练样本上进行字典学习,虽然这些基于字典学习的稀疏表示方法取得较好的模式分类性能,但由于这些方法都是基于全局信息进行处理,难以充分利用局部特征分布信息。 文献指出基于样本稀疏表示的模式分类,特征空间的维数或最佳特征变换的选择对于分类性能提高影响不大,这里主要是针对整体特征而言的,而实际中由于样本数目通常是有限的,整体特征不能有效地处理光照、表情、姿态和局部形变等变化。为此,基于局部特征的描述分类识别思路得到国内外学者的关注,例如Gabor是一种强大的特征提取器,Gabor小波可以模拟大脑皮层中单细胞感受野的轮廓,捕捉突出的视觉属性,特别是Gabor小波可以提取图像特定区域内的多尺度多方向空间频率特征,像显微镜一样放大灰度的变化。由于Gabor特征是从图像局部提取的,所以它对光照、表情和姿态的变化相对于整体特征更鲁棒。 考虑到Gabor特征对光照、表情和姿态等变化的鲁棒性和判别性字典学习在模式分类的作用,可以用在Gabor特征集基础上进行字典学习代替直接样本的字典学习吗?正是基于这个思路,提出基于Gabor特征集结合判别式字典学习的稀疏表示图像识别算法。首先提取图像多尺度多方向的Gabor特征,将增广Gabor特征矩阵作为初始特征字典,对该特征字典进行学习,确保新字典有更强的表示能力,以减小重构误差,同时将Fisher判别准则应用于编码系数,使得稀疏编码系数的类内离散度尽可能小而类间离散度尽可能的大,每类的特征差异变大,从而使每个特定类的子字典对来自与其同一类的训练样本的特征具有更强的表示能力,而对其他类样本的表示却相反,这样稀疏编码系数的判别性增强,更利于提高模式分类性能。 1 rsc分类方法 稀疏表示分类方法的核心思想是将测试图像表示为训练样本的线性组合,假设有c类样本,用A=[A1,A2,…,Ac]表示原始训练样本集,Ai是第i类的训练样本子集,Ai=[si,1,si,2…si,ni]∈Rm×ni,si,j,j=1,2…ni是第i类中第j个样本张成的m维列向量。用y代表测试样本。SRC分类方法流程如下: 1)通过l1范数最小化在字典A上对y进行稀疏编码 式中,γ是一个标量。 2)通过式(2)来分类 式中,对应于第i类样本的系数向量。基于稀疏表示的分类方法将测试样本判定为具有最小重构误差ei的那一类所属的类别。 2 gabo特征集与评价词相结合