稳健矩阵回归表示方法及其在图像识别中的应用研究

Polluted image (including occlusion, illumination changes, noises et. al) analysis and recognition pose a challenging problem in the field of social public security such as video surveillance and facial image analysis system. This project will be focused on robust representation problem of polluted images. We will do researches on low rank representation, robust representation, matrix regression, aiming to build the efficient robust matrix regression representation model and algorithms. The points of our research include: (1) nest nuclear norm based robust matrix regression representation method; (2) generalized regularization based robust matrix regression representation method; (3) low rank latent variable based robust matrix regression representation method; (4) matrix volume based robust matrix regression representation method; (5) deep convolutional neural network based robust matrix regression representation method. Finally, we will build a matrix regression representation based image analysis and recognition system to evaluate our theories and methods.

面向污染图像（包括遮挡、光照变化、噪声等）的分析和识别已成为视频监控、面部图像分析等社会公共安全领域亟需解决的瓶颈问题。本项目将重点研究污染图像的稳健表示问题，从低秩表示、稳健表示、矩阵回归三个方面开展研究，旨在建立高效的稳健矩阵回归表示模型及算法。主要研究内容包括：（1）基于嵌套核范数的稳健矩阵回归表示方法研究；（2）基于广义正则的稳健矩阵回归表示方法研究；（3）基于低秩隐变量的稳健矩阵回归表示方法研究；（4）基于矩阵体积的稳健矩阵回归表示方法研究；（5）基于深度卷积神经网络的稳健矩阵回归表示方法研究。最后，基于以上理论和方法的成果，建立基于稳健矩阵回归表示的图像分析与识别系统验证平台。

面向污染图像（包括遮挡、光照变化、噪声等）的分析和识别已成为视频监控、面部图像分析等社会公共安全领域亟需解决的瓶颈问题，本课题重点研究了稳健回归表示方法及其在图像识别中的应用。针对图像蕴含丰富结构属性的特点，提出了基于图像分解的矩阵回归表示方法。针对图像全局分布属性的有效表达有利于样本全局鉴别属性重建的特点，利用核范数刻画图像二维结构的同时引入最优传输理论刻画图像的全局分布属性，将最优传输和核范数融为一体并构建了稳健回归表示模型。为兼顾基于最小重建误差和基于鉴别的两类回归表示方法的优势，提出了一种双支稳健回归的模式分类方法。针对低秩模型存在的有偏解和计算效率问题，构造了一种加权非凸非光滑秩近似函数，设计了一种近端雅可比迭代优化算法，提出了基于修正Schatten-p范数的非凸低秩表示模型。此外，面向视觉感知任务结合深度卷积神经网络，提出了基于体素的跨尺度双边图神经网络模型，基于自适应子图生成的图对比表示方法，基于层级空间注意力上采样的非接触心率估计方法等。