基于塊結構化字典學習的稀疏表示圖像識別.pdf

1、作為計算機視覺和模式識別領域的一個熱點課題，圖像識別被應用于公共安全、國防軍事、農(nóng)業(yè)和日常生活等許多方面?；谙∈璞硎镜姆诸惙椒ㄓ捎谄渌哂械暮唵涡院陀行栽诮戢@得了廣泛的關注，并且被成功地應用到了計算機視覺和圖像處理的一列系問題當中。在基于稀疏表示分類的框架中，字典對稀疏編碼和分類的性能起著至關重要的作用。從訓練樣本中學習一個具有判別性的字典具有重要的意義。目前字典學習方法可分為非監(jiān)督字典學習和監(jiān)督字典學習兩類。盡管非監(jiān)督字典學習方

2、法取得了不錯的效果，但是監(jiān)督字典學習被認為能夠在識別任務中取得更好的結果。監(jiān)督字典學習方法大致可分為兩個方向。第一個方向在目標函數(shù)中加入某些判別項使得得到的表示更加具有判別性。第二個方向根據(jù)訓練樣本的標簽信息來學習一個結構化字典。基于結構化字典學習的原理，本文主要從以下兩個方面開展研究工作:
　　(1)結合結構化稀疏表示和結構化字典學習的思想，本文提出了一種新的Block-KSVD算法來學習得到一個具有塊結構的字典。具體地，在稀疏

3、編碼階段，Block-KSVD不僅將來自同一個類別的全部訓練樣本來聯(lián)合進行結構化稀疏編碼，并且假設它們具有相同的塊結構表示。本文提出了并行的塊正交匹配追蹤算法(SB-OMP)來完成樣本的結構化稀疏編碼。在字典更新階段，Block-KSVD算法基于奇異值分解技術來逐塊地更新字典原子和其對應的稀疏編碼。由于采用了奇異值分解技術，本文方法能夠自然地學習到塊內(nèi)一致性為零的塊結構化字典。本文還提出了Discriminative BlockK-SV

4、D(DB-KSVD)算法來同時學習得到塊結構化字典和一個線性分類器。
　　(2)在Block-KSVD算法的基礎上，本文進一步提出了Supervised Block-KSVD(SB-KSVD)算法來學習一個具有塊結構的字典。在稀疏編碼階段，SB-KSVD不僅假設同一個類別的訓練樣本具有相同的塊結構表示，并且限定對應類別的子字典必須在表示這個類別的訓練樣本時做出貢獻。本文提出了一種監(jiān)督的并行塊正交匹配追蹤算法(SSB-OMP)算法來

5、完成結構化稀疏編碼。在字典更新階段，SB-KSVD找出對應類別訓練樣本的錯誤矩陣執(zhí)行奇異值分解來逐塊地更新某個類別的字典原子和對應的稀疏編碼。由SB-KSVD學習得到的字典可以保證各個類別的子字典對同一個類別的訓練樣本具有良好的表示能力，這進一步提高了字典的判別性。
　　本文在兩個公共的人臉數(shù)據(jù)庫AR和Extend YaleB以及手寫數(shù)字數(shù)據(jù)庫Mnist上進行了大量實驗來驗證所提出算法的有效性，并且與基于稀疏表示的分類方法SRC、