基于图像描述的识别方法设计与实验验证

稀疏描述方法被引入到人脸识别领域后带来了人脸识别的突破性进展.已有的一些实验说明，在很多情况下包括图像存在噪声或被部分遮挡的情况下，稀疏描述方法可取得大大优于其他方法的分类正确率.但是,目前稀疏描述方法的图像识别应用仍有诸多问题需要解决.这些问题包括如何确定合理的稀疏程度,如何在稀疏性程度较大与描述误差较小之间取得一个好的折中,以及如何改进现有稀疏描述方法使其成为高效的,实用性强的,性能更优的方法.本项目将对这些方面进行探索,并创造性地设计出特征空间中测试样本的全局表达方法,基于单类训练样本的稀疏表达方法,K近邻+稀描述的方法,双模态图像的稀疏表达与识别方法,可大幅度提升稀疏描述方法在图像识别应用中的最佳预变换方案等一系列新颖的方法;这些方法具有坚实理论基础;初步的分析表明这些方法具有很强的实用性和极优的性能.

项目对稀疏表达方法的本质特点进行了研究。针对已有的稀疏表达方法存在的缺点，项目组设计了特征空间图像全局表达方法、快速稀疏表达方法、改进的K近邻分类、改进的降维方法、基于描述的多生物特征识别方法等若干新的稀疏表达方法。这些方法具有清晰的物理意义、较低的计算复杂度，在人脸识别、掌纹识别等生物特征识别实验中取得了较高的分类正确率。.基于项目的研究，我们可得出如下结论：首先，详细的对比实验显示，“稀疏表达”确实有利于取得更高识别精度。其次，1范数并不是取得稀疏表达的唯一途径。原始的稀疏表达方法可称为无指导（监督）的“软”稀疏表达方法。此处“无指导”表示在方法的实现过程中没有利用任何先验去产生稀疏系数，“软”是指方法获得的稀疏系数一般不是真正的零值，而是接近零的一个较小的数。我们给出的稀疏表达方法可称为有指导（监督）的“硬”稀疏表达方法。此处“有指导”表示在方法的实现过程中我们根据一些方案去指定在利用所有训练样本的线性组合表达测试样本的过程中那些系数应为零系数。“硬”是指这些方法获得的“零系数”具有真正的零值。.项目组发表了一系列的具有较高学术价值的论文。