基于字典學(xué)習(xí)的對(duì)象識(shí)別方法研究.pdf

1、近年來，稀疏模型被廣泛應(yīng)用于信號(hào)、圖像以及視頻處理等領(lǐng)域。在該模型中，信號(hào)被表達(dá)為一組固定基(也稱為字典)的少量原子的線性組合。研究表明，在大多數(shù)圖像處理應(yīng)用中，例如圖像去噪、人臉識(shí)別、紋理分析、對(duì)象識(shí)別等，相較于基于預(yù)定義字典的稀疏模型，基于學(xué)習(xí)字典的稀疏模型能夠取得更好的實(shí)驗(yàn)性能?；趯W(xué)習(xí)字典的模型能夠充分利用訓(xùn)練信號(hào)的語義先驗(yàn)知識(shí)，從而自適應(yīng)地學(xué)習(xí)字典。本文主要針對(duì)字典學(xué)習(xí)模型及其在對(duì)象識(shí)別中的應(yīng)用進(jìn)行了研究，主要的研究內(nèi)容如下：

2、
　　 1.介紹了本文的研究背景及意義，對(duì)相關(guān)領(lǐng)域預(yù)定義字典的典型應(yīng)用壓縮感知進(jìn)行了概述，重點(diǎn)綜述了國內(nèi)外字典學(xué)習(xí)理論的研究進(jìn)展，并分析了現(xiàn)有字典學(xué)習(xí)理論在對(duì)象識(shí)別應(yīng)用中存在的問題。
　　 2.綜述了重構(gòu)字典學(xué)習(xí)的基本理論，重點(diǎn)介紹了K-SVD算法。并在此基礎(chǔ)上提出了四種基于重構(gòu)字典的識(shí)別算法，包括基于局部字典的識(shí)別算法、基于拼接字典的識(shí)別算法、基于Bayesian的拼接字典識(shí)別算法和基于Bayesian的全局字典識(shí)別算

3、法，并對(duì)各種方法進(jìn)行了手寫數(shù)字識(shí)別和人臉識(shí)別實(shí)驗(yàn)。將不同的字典組合方式應(yīng)用于對(duì)象識(shí)別任務(wù)中，并首次將Bayesian理論應(yīng)用于基于重構(gòu)字典的識(shí)別模型中。
　　 3.綜述了判決字典學(xué)習(xí)的基本理論，重點(diǎn)介紹了其中的兩種典型判決字典學(xué)習(xí)模型。判決字典能夠克服重構(gòu)字典缺乏判決能力的缺點(diǎn)，從而提高識(shí)別率。提出了一種新的判決字典學(xué)習(xí)模型，在原有的重構(gòu)字典學(xué)習(xí)模型中引入softmax損失函數(shù)，以增強(qiáng)字典的判決性。然后利用截?cái)嗯ｎD方法得到一個(gè)近

4、似字典更新問題，并利用類似于K-SVD算法中的字典更新方法求解新的字典。
　　 4.綜述了在線字典學(xué)習(xí)的基本理論，包括在線重構(gòu)字典學(xué)習(xí)和在線判決字典學(xué)習(xí)理論。在線學(xué)習(xí)算法能夠高效地求解大規(guī)模訓(xùn)練集問題，這是非在線學(xué)習(xí)算法的一大缺陷。在此基礎(chǔ)上，提出了一種新的在線判決字典學(xué)習(xí)模型，該模型在原有的重構(gòu)字典模型中引入了一個(gè)線性分類器，并將期望目標(biāo)函數(shù)代替經(jīng)驗(yàn)?zāi)繕?biāo)函數(shù)作為最后的目標(biāo)求解問題。然后提出了一種基于塊坐標(biāo)下降方法的在線算法。與