【技术实现步骤摘要】
本专利技术涉及,属于利用稀疏编码方法进行模式识别的
技术介绍
随着近年来稀疏编码得到了越来越广泛的关注,它也在盲信号分离、特征提取、数据分类、视觉图像处理以及模式识别等领域得到了越来越多的应用。下面以稀疏编码在人脸识别中的应用为例,介绍一下现有的2种稀疏编码方法:1.稀疏编码(Sparse Representation based Classification, SRC)方法的步骤为:首先,提取含有多个类别的训练样本,将之表示为字典,然后将测试样本表示为字典的线性组合,得到稀疏编码系数,其中 每个系数分别对应每个训练样本,同时每个类别的系数也对应每个类别的训练样本;然后将各个类别对应的稀疏编码系数与字典相乘得到重构样本,然后测试样本与重构样本相减得到误差;最终,得到系数重构样本与测试样本所得到的误差最小,其重构样本所对应的类别即为最终判定测试样本的所属类别。2.研究人员之后又提出了鲁棒稀疏编码(Robust Sparse Coding, RSC)方法,该方法对图像中包含异常像素的情况表现出很好的鲁棒性,其方法步骤为:与稀疏编码(SparseRepresentation based Classification, SRC)相比,在表示过程中加入权值矩阵,当训练样本不能较好的表示测试样本时,即冗余误差较大时,权值矩阵能够减小冗余误差,这样,如果遇到较大的遮挡物或噪声,鲁棒稀疏编码(RobustSparse Coding, RSC)仍旧能够得到稀疏系数,使得最终识别率不受影响。同时,在重构过程中也加入权值矩阵W,与表示过程相对应。判定最终类别方法也同 ...
【技术保护点】
一种基于较大编码系数强化的稀疏编码方法,其特征在于,包括应用于稀疏编码的方法(A?Larger?Coefficients?Emphasis?Framework?for?Sparse?Representation,LCE?SRC),和应用于鲁棒稀疏编码的方法(A?Larger?Coefficients?Emphasis?Framework?for?Robust?Sparse?Coding,LCE?RSC):?其中,本专利技术应用于稀疏编码的方法(A?Larger?Coefficients?Emphasis?Framework?for?Sparse?Representation,LCE?SRC),包括步骤(a)?(e):?a:首先提取1个测试样本的特征,将其表示为一个列向量,同样也提取k个训练样本的特征,将其表示为k列的矩阵;?b:用主成分分析方法(PCA)将测试样本列向量和训练样本矩阵的每个列向量降维至m维,所以得到m维的测试样本列向量和大小为m×k的训练样本矩阵,其中,称降维后的训练样本矩阵为训练样本字典;?c:稀疏表示:?其中式(1)是稀疏编码(Sparse?Representati ...
【技术特征摘要】
1.一种基于较大编码系数强化的稀疏编码方法,其特征在于,包括应用于稀疏编石马的方法(A Larger Coefficients Emphasis Framework for SparseRepresentation, LCE-SRC),和应用于鲁棒稀疏编码的方法(A Larger CoefficientsEmphasis Framework for Robust Sparse Coding, LCE-RSC): 其中,本发明应用于稀疏编码的方法(A Larger Coefficients Emphasis Frameworkfor Sparse Representation, LCE-SRC),包括步骤(a) - (e): a:首先提取I个测试样本的特征,将其表示为一个列向量,同样也提取k个训练样本的特征,将其表示为k列的矩阵; b:用主成分分析方法(PCA)将测试样本列...
【专利技术属性】
技术研发人员:江铭炎,潘婷婷,贲晛烨,李斐,张鹏,孙孟磊,
申请(专利权)人:山东大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。