基于稀疏表示和超限学习机的智能地标识别算法

发布时间：2017-10-11 12:35

  本文关键词：基于稀疏表示和超限学习机的智能地标识别算法

  更多相关文章： 压缩感知 稀疏表示 超限学习机 词袋模型 地标识别

【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-Bo W)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。
【关键词】：压缩感知 稀疏表示 超限学习机 词袋模型 地标识别
【学位授予单位】：杭州电子科技大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41;TP181
【目录】：

• 摘要5-6
• ABSTRACT6-10
• 第1章 绪论10-16
• 1.1 研究背景及其意义10-12
• 1.1.1 研究背景10-11
• 1.1.2 目的和意义11-12
• 1.2 国内外的研究现状及发展12-13
• 1.3 本文研究的主要内容13-14
• 1.4 本文主要的结构安排14-16
• 第2章 基本理论知识介绍16-27
• 2.1 特征提取16-20
• 2.1.1 词袋模型16-18
• 2.1.2 基于空间金字塔核函数的词袋模型18-19
• 2.1.3 基于可扩展词汇树的词袋模型19-20
• 2.2 压缩感知理论20-22
• 2.2.1 信号稀疏表示20-21
• 2.2.2 测量矩阵21-22
• 2.2.3 重构算法22
• 2.3 机器学习理论22-27
• 2.3.1 支持向量机22-24
• 2.3.2 前馈神经网络24-27
• 第3章 基于稀疏表示的智能地标识别算法27-34
• 3.1 引言27-28
• 3.2 基于稀疏表示的分类问题28-29
• 3.2.1 通过训练样本的稀疏线形组合表示测试样本28
• 3.2.2 通过L1-范数最小化求解稀疏系数28-29
• 3.3 基于稀疏表示的分类算法29-30
• 3.4 仿真实验及结果30-33
• 3.4.1 实验设置30
• 3.4.2 OMP和SpaRSA两种稀疏方法下的性能比较30-32
• 3.4.3 与SVM和ELM的性能比较32-33
• 3.5 本章小结33-34
• 第4章 基于集成约束优化超限学习机的智能地标识别算法34-48
• 4.1 引言34-35
• 4.2 超限学习机理论35-37
• 4.3 基于约束优化的超限学习机37-40
• 4.4 基于集成约束优化超限学习机的框架40-42
• 4.5 仿真实验及结果42-47
• 4.5.1 实验设置42
• 4.5.2 不同规则化系数和隐层节点下的性能42
• 4.5.3 与CO-ELM和SVM的比较42-44
• 4.5.4 不同CO-ELM个数下的性能比较44-47
• 4.6 本章小结47-48
• 第5章 融合稀疏表示和超限学习机的智能地标识别算法48-61
• 5.1 引言48
• 5.2 用于图像分类的稀疏表示和超限学习机的概述48-52
• 5.2.1 稀疏表示分类器概述48-52
• 5.2.2 超限学习机概述52
• 5.3 融合稀疏表示和超限学习机的地标识别框架52-55
• 5.3.1 地标识别框架的概述52-54
• 5.3.2 稀疏表示和超限学习机之间的判别标准54-55
• 5.3.3 融合稀疏表示和超限学习机的地标识别算法55
• 5.4 仿真实验及结果55-60
• 5.4.1 实验设置55-56
• 5.4.2 与ELM和SRC的性能比较56-59
• 5.4.3 SPK-BoW与SVT特征框架下的比较59-60
• 5.5 本章小结60-61
• 第6章 总结与展望61-63
• 6.1 工作总结61-62
• 6.2 展望62-63
• 致谢63-64
• 参考文献64-69
• 附录69

【相似文献】

中国期刊全文数据库 前10条

1 李映;张艳宁;许星;;基于信号稀疏表示的形态成分分析:进展和展望[J];电子学报;2009年01期

2 赵瑞珍;王飞;罗阿理;张彦霞;;基于稀疏表示的谱线自动提取方法[J];光谱学与光谱分析;2009年07期

3 杨蜀秦;宁纪锋;何东健;;基于稀疏表示的大米品种识别[J];农业工程学报;2011年03期

4 史加荣;杨威;魏宗田;;基于非负稀疏表示的人脸识别[J];计算机工程与设计;2012年05期

5 高志荣;熊承义;笪邦友;;改进的基于残差加权的稀疏表示人脸识别[J];中南民族大学学报(自然科学版);2012年03期

6 朱杰;杨万扣;唐振民;;基于字典学习的核稀疏表示人脸识别方法[J];模式识别与人工智能;2012年05期

7 耿耀君;张军英;袁细国;;一种基于稀疏表示系数的特征相关性测度[J];模式识别与人工智能;2013年01期

8 张疆勤;廖海斌;李原;;基于因子分析与稀疏表示的多姿态人脸识别[J];计算机工程与应用;2013年05期

9 李正周;王会改;刘梅;丁浩;金钢;;基于形态成分稀疏表示的红外小弱目标检测[J];弹箭与制导学报;2013年04期

10 胡正平;赵淑欢;李静;;基于块稀疏递推残差分析的稀疏表示遮挡鲁棒识别算法研究[J];模式识别与人工智能;2014年01期

中国重要会议论文全文数据库 前3条

1 何爱香;刘玉春;魏广芬;;基于稀疏表示的煤矸界面识别研究[A];虚拟运营与云计算——第十八届全国青年通信学术年会论文集（上册）[C];2013年

2 樊亚翔;孙浩;周石琳;邹焕新;;基于元样本稀疏表示的多视角目标识别[A];2013年中国智能自动化学术会议论文集（第五分册）[C];2013年

3 葛凤翔;任岁玲;郭鑫;郭良浩;孙波;;微弱信号处理及其研究进展[A];中国声学学会水声学分会2013年全国水声学学术会议论文集[C];2013年

中国博士学位论文全文数据库 前10条

1 李进明;基于稀疏表示的图像超分辨率重建方法研究[D];重庆大学;2015年

2 王亚宁;基于信号稀疏表示的电机故障诊断研究[D];河北工业大学;2014年

3 姚明海;视频异常事件检测与认证方法研究[D];东北师范大学;2015年

4 黄国华;蛋白质翻译后修饰位点与药物适应症预测方法研究[D];上海大学;2015年

5 王瑾;基于稀疏表示的数据收集、复原与压缩研究[D];北京工业大学;2015年

6 王文卿;基于融合框架与稀疏表示的遥感影像锐化[D];西安电子科技大学;2015年

7 解虎;高维小样本阵列自适应信号处理方法研究[D];西安电子科技大学;2015年

8 秦振涛;基于稀疏表示及字典学习遥感图像处理关键技术研究[D];成都理工大学;2015年

9 薛明;基于稀疏表示的在线目标跟踪研究[D];上海交通大学;2014年

10 孙乐;空谱联合先验的高光谱图像解混与分类方法[D];南京理工大学;2014年

中国硕士学位论文全文数据库 前10条

1 王道文;基于稀疏表示的目标跟踪算法研究[D];华南理工大学;2015年

2 李哲;基于稀疏表示和LS-SVM的心电信号分类[D];河北大学;2015年

3 孙雪青;Shearlet变换和稀疏表示相结合的甲状腺结节图像融合[D];河北大学;2015年

4 吴丽璇;基于稀疏表示的微聚焦X射线图像去噪方法[D];华南理工大学;2015年

5 赵孝磊;基于图像分块稀疏表示的人脸识别算法研究[D];南京信息工程大学;2015年

6 黄志明;基于辨别式稀疏字典学习的视觉追踪算法研究[D];华南理工大学;2015年

7 张铃华;非约束环境下的稀疏表示人脸识别算法研究[D];南京信息工程大学;2015年

8 贺妍斐;基于稀疏表示与自适应倒易晶胞的遥感图像复原方法研究[D];南京信息工程大学;2015年

9 杨烁;电能质量扰动信号的稀疏表示/压缩采样研究[D];西南交通大学;2015年

10 应艳丽;基于低秩稀疏表示的目标跟踪算法研究[D];西南交通大学;2015年

，

本文编号：1012562