本文選題：目標識別　切入點：維數(shù)約簡　出處：《電子學報》2016年03期 　論文類型：期刊論文

【摘要】：稀疏表示技術的引入可有效解決降維處理對圖參數(shù)的依賴,但這類降維方法不能同時兼顧稀疏重構和樣本數(shù)據(jù)的鄰近性問題.針對該問題,本文提出了一種基于局部約束編碼的稀疏保持投影降維識別方法.通過稀疏表示分類模型構建了圖邊權矩陣,引入局部約束因子設計了降維投影模型,推導降維求解過程,分析了本文方法與SPP(Sparse Preserving Projections)和SLPP(Soft Locality Preserving Projections)方法之間的共性和區(qū)別,最后給出了識別算法流程.采用人臉圖像數(shù)據(jù)集和高分辨SAR(Synthetic Aperture Radar)圖像數(shù)據(jù)集對算法的有效性進行仿真驗證,由于考慮了數(shù)據(jù)間的鄰近性,本文方法較傳統(tǒng)方法可獲得更好的識別性能.
[Abstract]:The introduction of sparse representation technology can effectively solve the dependence of graph parameters on dimensionality reduction processing, but this kind of dimensionality reduction method can not take into account the problem of sparse reconstruction and the proximity of sample data. In this paper, a sparse preserving projection dimensionality reduction recognition method based on local constraint coding is proposed. The graph edge weight matrix is constructed by sparse representation classification model, the reduced dimension projection model is designed by introducing the local constraint factor, and the dimensionality reduction solution process is deduced. The generality and difference between this method and SPP(Sparse Preserving projects and SLPP(Soft Locality Preserving projects are analyzed. Finally, the recognition algorithm flow is given. The validity of the algorithm is verified by using face image data set and high resolution SAR(Synthetic Aperture Radar-based image data set. Considering the proximity of data, this method can obtain better recognition performance than the traditional method.
【作者單位】： 海軍航空工程學院電子信息工程系;海軍航空工程學院7系;海軍航空工程學院信息融合研究所;
【基金】：國家自然科學基金(No.61102167;No.61302008;No.61179016;No.61102165)
【分類號】：TP391.41

【相似文獻】

相關期刊論文 前10條

1 鄭軼;蔡體健;;稀疏表示的人臉識別及其優(yōu)化算法[J];華東交通大學學報;2012年01期

2 段菲;章毓晉;;一種面向稀疏表示的最大間隔字典學習算法[J];清華大學學報(自然科學版);2012年04期

3 李仲生;李仁發(fā);蔡則蘇;趙乘麟;;稀疏表示下的非監(jiān)督顯著對象提取[J];電子學報;2012年06期

4 段菲;章毓晉;;基于多尺度稀疏表示的場景分類[J];計算機應用研究;2012年10期

5 胡正平;李靜;白洋;;基于樣本-擴展差分模板的聯(lián)合雙稀疏表示人臉識別[J];信號處理;2012年12期

6 姜芳芳;;稀疏表示理論在提高數(shù)字圖像質量中的應用[J];科技創(chuàng)新導報;2012年36期

7 馬莉娜;;增強的兩階段測試樣本稀疏表示方法[J];福建電腦;2013年07期

8 尹學忠;樊甫華;;基于字典學習的超寬帶信號稀疏表示與降噪方法[J];計算機應用研究;2014年06期

9 張佳宇;彭力;;基于聯(lián)合動態(tài)稀疏表示方法的多圖像人臉識別算法[J];江南大學學報(自然科學版);2014年03期

10 陳才扣;喻以明;史俊;;一種快速的基于稀疏表示分類器[J];南京大學學報(自然科學版);2012年01期

相關會議論文 前3條

1 何愛香;劉玉春;魏廣芬;;基于稀疏表示的煤矸界面識別研究[A];虛擬運營與云計算——第十八屆全國青年通信學術年會論文集（上冊）[C];2013年

2 樊亞翔;孫浩;周石琳;鄒煥新;;基于元樣本稀疏表示的多視角目標識別[A];2013年中國智能自動化學術會議論文集（第五分冊）[C];2013年

3 葛鳳翔;任歲玲;郭鑫;郭良浩;孫波;;微弱信號處理及其研究進展[A];中國聲學學會水聲學分會2013年全國水聲學學術會議論文集[C];2013年

相關碩士學位論文 前10條

1 張琨雨;在線字典訓練及加權差異性稀疏表示的研究[D];大連理工大學;2011年

2 王勇;基于稀疏表示的人臉識別研究[D];五邑大學;2013年

3 李義真;基于詞包與稀疏表示的場景分類[D];華南理工大學;2013年

4 孫麗花;基于稀疏表示的人臉識別方法研究[D];河南科技大學;2013年

5 陳天嬌;基于分組稀疏和權重稀疏表示的人臉識別研究[D];安徽大學;2014年

6 劉自成;基于稀疏表示的雷達目標角度與距離估計[D];西安電子科技大學;2014年

7 李立;基于稀疏表示的人臉圖像識別方法研究[D];南京理工大學;2012年

8 滿江月;基于稀疏表示的代價敏感性人臉識別算法研究[D];南京郵電大學;2012年

9 趙廣鑾;稀疏表示在圖像識別中的應用[D];北京郵電大學;2013年

10 羅燕龍;基于局部稀疏表示模型的在線字典學習跟蹤算法研究[D];廈門大學;2014年

，

本文編號：1592368