隨著計算機(jī)技術(shù)的發(fā)展,圖像識別技術(shù)得到了越來越廣泛的應(yīng)用,成為模式識別領(lǐng)域的一個研究熱點,而特征提取是圖像識別中的一個核心問題。在過去的幾十年中,國內(nèi)外研究人員提出了許多種不同的特征提取方法,在圖像識別領(lǐng)域大多都取得了不錯的效果。為了進(jìn)一步提高所提取特征的魯棒性和判別力,本文做了如下工作:(1)為了能使近鄰圖更好的與子空間學(xué)習(xí)過程相匹配,并同時挖掘數(shù)據(jù)的全局子空間以及局部幾何結(jié)構(gòu),本文提出一種低秩判別自適應(yīng)圖保持(LRDAGP)子空間學(xué)習(xí)方法,并將其用于圖像特征提取。具體地,LRDAGP把自適應(yīng)流形學(xué)習(xí)與低秩子空間學(xué)習(xí)融合到一個框架中,在子空間學(xué)習(xí)過程中自適應(yīng)地對近鄰圖進(jìn)行更新,并同時考慮數(shù)據(jù)的全局子空間結(jié)構(gòu)和局部幾何結(jié)構(gòu)。此外,LRDAGP還在其目標(biāo)函數(shù)中引入了一個監(jiān)督正則化項以增強(qiáng)子空間的判別力。本文設(shè)計了一個有效的最優(yōu)化算法對LRDAGP目標(biāo)函數(shù)進(jìn)行求解。(2)為了能在降低異常值影響的同時舍棄原始數(shù)據(jù)中的無關(guān)信息,本文提出一種基于L2,p范數(shù)的判別局部保持投影方法(DLPP-L2,p),并將其用于圖像特征提取。具體地,DLPP-L2,p分別通過最大和最小化基于L2,p范數(shù)的局部保...

【文章頁數(shù)】：66 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
1 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 本文主要研究內(nèi)容
    1.4 本文組織架構(gòu)
2 相關(guān)工作介紹
    2.1 局部保持投影(LPP)
    2.2 局部保持嵌入(NPE)
    2.3 傳統(tǒng)的判別局部保持投影(DLPP)
    2.4 凸優(yōu)化局部保持投影(GOLPP)
    2.5 低秩學(xué)習(xí)(LRR)
    2.6 數(shù)據(jù)庫介紹
3 低秩判別自適應(yīng)圖保持(LRDAGP)子空間學(xué)習(xí)方法
    3.1 LRDAGP目標(biāo)函數(shù)
    3.2 LRDAGP目標(biāo)函數(shù)求解
        3.2.1 迭代更新表示系數(shù)矩陣和誤差矩陣
        3.2.2 迭代更新投影矩陣
        3.2.3 更新近鄰權(quán)重矩陣
        3.2.4 LRDAGP算法
    3.3 LRDAGP 實驗
        3.3.1 在ORL數(shù)據(jù)庫上的實驗
        3.3.2 在CMU PIE 數(shù)據(jù)庫上的實驗
        3.3.3 在Extend Yale B 數(shù)據(jù)集上的實驗
        3.3.4 在真實的農(nóng)作物葉病數(shù)據(jù)庫上的實驗
    3.4 本章小結(jié)
4 基于L2,p范數(shù)的判別局部保持投影方法
    4.1 DLPP-L2,P目標(biāo)函數(shù)
    4.2 DLPP-L2,P目標(biāo)函數(shù)求解
        4.2.1 收斂分析
        4.2.2 計算復(fù)雜度分析
    4.3 DLPP-L2,p 實驗
        4.3.1 在CMU PIE數(shù)據(jù)庫上的實驗
        4.3.2 在AR數(shù)據(jù)庫上的實驗
        4.3.3 在COIL-20數(shù)據(jù)庫上的實驗
        4.3.4 在真實的農(nóng)作物葉病數(shù)據(jù)庫上的實驗
        4.3.5 在LFW數(shù)據(jù)庫上的實驗
        4.3.6 參數(shù)敏感性分析
    4.4 本章小結(jié)
5 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
致謝
攻讀學(xué)位期間的科研成果



本文編號：3923245