图像识别中的判别特征提取方法研究

发布时间：2024-03-09 09:52

　　随着计算机技术的发展,图像识别技术得到了越来越广泛的应用,成为模式识别领域的一个研究热点,而特征提取是图像识别中的一个核心问题。在过去的几十年中,国内外研究人员提出了许多种不同的特征提取方法,在图像识别领域大多都取得了不错的效果。为了进一步提高所提取特征的鲁棒性和判别力,本文做了如下工作:(1)为了能使近邻图更好的与子空间学习过程相匹配,并同时挖掘数据的全局子空间以及局部几何结构,本文提出一种低秩判别自适应图保持(LRDAGP)子空间学习方法,并将其用于图像特征提取。具体地,LRDAGP把自适应流形学习与低秩子空间学习融合到一个框架中,在子空间学习过程中自适应地对近邻图进行更新,并同时考虑数据的全局子空间结构和局部几何结构。此外,LRDAGP还在其目标函数中引入了一个监督正则化项以增强子空间的判别力。本文设计了一个有效的最优化算法对LRDAGP目标函数进行求解。(2)为了能在降低异常值影响的同时舍弃原始数据中的无关信息,本文提出一种基于L2,p范数的判别局部保持投影方法(DLPP-L2,p),并将其用于图像特征提取。具体地,DLPP-L2,p分别通过最大和最小化基于L2,p范数的局部保...

【文章页数】：66 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
1 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
    1.3 本文主要研究内容
    1.4 本文组织架构
2 相关工作介绍
    2.1 局部保持投影(LPP)
    2.2 局部保持嵌入(NPE)
    2.3 传统的判别局部保持投影(DLPP)
    2.4 凸优化局部保持投影(GOLPP)
    2.5 低秩学习(LRR)
    2.6 数据库介绍
3 低秩判别自适应图保持(LRDAGP)子空间学习方法
    3.1 LRDAGP目标函数
    3.2 LRDAGP目标函数求解
        3.2.1 迭代更新表示系数矩阵和误差矩阵
        3.2.2 迭代更新投影矩阵
        3.2.3 更新近邻权重矩阵
        3.2.4 LRDAGP算法
    3.3 LRDAGP 实验
        3.3.1 在ORL数据库上的实验
        3.3.2 在CMU PIE 数据库上的实验
        3.3.3 在Extend Yale B 数据集上的实验
        3.3.4 在真实的农作物叶病数据库上的实验
    3.4 本章小结
4 基于L2,p范数的判别局部保持投影方法
    4.1 DLPP-L2,P目标函数
    4.2 DLPP-L2,P目标函数求解
        4.2.1 收敛分析
        4.2.2 计算复杂度分析
    4.3 DLPP-L2,p 实验
        4.3.1 在CMU PIE数据库上的实验
        4.3.2 在AR数据库上的实验
        4.3.3 在COIL-20数据库上的实验
        4.3.4 在真实的农作物叶病数据库上的实验
        4.3.5 在LFW数据库上的实验
        4.3.6 参数敏感性分析
    4.4 本章小结
5 总结与展望
    5.1 总结
    5.2 展望
参考文献
致谢
攻读学位期间的科研成果



本文编号：3923245