基于数据驱动的局部图像描述符方法及其应用研究

Local image descriptor is a hot issue of computer vision. Machine-learning methods can discover latent information hidden in data, so data driven based (or learning-based) local image descriptor has been widespread concerned. In this project, we will try to solve some issues as follows: 1) we will propose a multi-descriptor fusion method which can decrease the redundant information between different types of local image descriptors and also extracts more discriminative descriptor; 2) for image with class label, we will try to use class information hidden in its neighbor images by constructing soft label, and propose a local image descriptor framework based on fuzzy theory; 3)we will study the use of subspace method in constructing local feature descriptor with hierarchical structure, and construct a deep model based on subspace method; 4) we will apply the above method into face recognition and textual recognition.

局部图像特征描述是计算机视觉的一个基本研究内容。基于数据驱动（基于学习）的局部图像特征描述符由于其利用机器学习算法来挖掘和利用已有数据本身或其相关的先验信息，因此近年来得到了广泛的关注。本项目试图解决目前基于数据驱动的局部图像描述符设计中所存在的几个问题：1）从去除冗余信息且保持足够判别性及相关性信息的角度，提供多种局部图像特征相融合的方法；2）针对有标记的样本，通过融合监督学习和模糊理论，充分利用隐藏其近邻样本中的类信息，建立样本的软标号，进而构建模糊的局部特征描述框架；3）研究各类子空间方法在构建深度结构局部特征描述符中的作用，进而构建基于子空间方法的深度模型；4）本项目将把上述研究成果应用于人脸识别，纹理识别等应用中，以促进科学技术向实际生产力的转化。

局部图像特征描述符是计算机视觉的一个基本研究内容。基于数据驱动（基于学习）的局部图像特征描述符由于其利用机器学习算法来挖掘和利用已有数据本身或其相关的先验信息，因此近年来得到了广泛的关注。本项目针对基于数据驱动的局部图像描述符设计开展研究，具体研究内容包括：1）从充分融合不同类型特征间的类内信息和一致性信息的角度，以最大化类内相关性和一致性，最小化类间相关性为目标，提出了一致性判别相关分析方法，并将其扩展到核化版本以适应非线性问题；2）针对有标记的样本，从充分利用隐藏在样本近邻的类别信息的角度，通过模糊理论建立了样本的软标号，进而构建了基于模糊的特征提取算法，并结合随机采样技术构建了多分类器系统；3）PCANet是典型的子空间方法深度化网络模型。以PCANet为研究对象，通过结合不同的先验信息，相应地提出了三种不同的PCANet改进算法：RS_PCANet、PCANet_dense和 Smooth_PCANet；4）白化是去除样本冗余信息的一种预处理手段。通过对白化预处理的研究，发现对单张图像进行的白化重构算法（TWR）等价于以图像列向量做样本进行的ZCA白化操作。根据此发现，提出了两种基于块的TWR改进方法。所提各种方法在图像识别上进行了实验验证，结果表明所提方法均获得了更好的性能。