面向大规模多视角图像的正交稀疏图嵌入模型与算法研究

Under the background of large data, the current sparse feature extraction method can achieve better recognition results. However, large scale and multi view image data have large volume, high dimension and complex distribution. When existing sparse learning methods extract features of the data, it will lead to lower recognition rate and higher computational complexity. Therefore, the expected results of this project is based on sparse matrix decomposition theory in the in-depth analysis of the current L2, L2,1 and L* norm. The feature extraction theory of manifold learning and sub-space learning is extended to the three norm study, designing sparse feature with topological and orthogonal extraction algorithms, the main contents include: (1) Orthogonal sparse graph embedding model based on L2 norm and algorithm; (2) Orthogonal sparse graph embedding model based on L2,1 norm and algorithm; (3) Orthogonal sparse graph embedding model based on L* norm and algorithm; (4) the application of the above three models and algorithms in large scale multi-view images. The expected results of the project will improve the robustness of some sparse feature extraction algorithms, improve their correct recognition rate for large scale and multi-view image data, and reduce computational complexity. The research of this project will further improve the understanding and perception of computer image to provide better technical support for image recognition in the application of information and related fields.

大数据背景下，当前稀疏特征提取方法能取得较好的识别效果。然而大规模多视角图像数据量大、维数高、分布复杂，现有的稀疏学习方法对该数据进行特征提取时，会导致识别率降低和计算复杂度偏高的情况。因此本项目拟在深入分析当前L2、L2,1和L*范数的稀疏矩阵分解理论的基础上，把流形学习和子空间学习特征提取理论与方法拓展到这三种范数学习中，设计出具有正交性和拓扑性的稀疏特征提取模型与算法，其内容主要包括：(1)基于L2范数的正交稀疏图嵌入模型与算法；(2)基于L2,1范数的正交稀疏图嵌入模型与算法；（3）基于L*范数的正交稀疏图嵌入模型与算法；(4)以上三种模型与算法在大规模多视角图像中的应用。项目预期成果将改进一些稀疏特征抽取算法的鲁棒性、提高它们对大规模多视角图像数据的正确识别率，同时降低计算复杂度。本项目的研究将提高计算机对图像的理解和感知能力，为图像自动识别在信息及相关领域应用提供更好技术支撑。

特征抽取是计算机视觉和模式识别领域研究的核心问题之一，是维数压缩的主要方法，对于高维模式的分类具有重要作用，是一个理论性较强的研究课题。 本项目致力于模式识别理论研究，近4年的研究工作创新点与贡献可以归纳为如下：.（1.）子空间学习和图嵌入学习.（1.1）针对2DDLPP可以利用二维图像表示数据保持局部固有流形结构的判别信息,提出一种新的弹性特征提取算法，称为稀疏模糊2D判别局部保持投影（SF2DDLPP）。.（1.2）针对主成分分析无法获得图像的局部结构高维空间数据样本，LLE无法获得高维空间数据样本的全局结构，提出了一种新的有效的特征提取和降维算法——稀疏模糊差分嵌入（SFDE）。 .（2）低秩学习和图嵌入学习.（2.1）针对局部保持投影（LPP）不使用数据类别信息，而是使用 L2-距离测量的范数，对异常值高度敏感，结合低秩回归方法提出了一种新的方法用于发现和提取特征的模型。.（2.2）针对2DLPP算法在实际应用中可能会遇到缺乏辨别能力、奇异性问题以及对数据中的遮挡和噪声的敏感性，提出了一种新的特征提取算法，即低秩二维局部判别图嵌入（LR-2DLDGE），该算法融合了图嵌入中的判别信息和数据的低秩属性。.（2.3）针对传统的主成分分析方法在降维方面的精度不是很高，并且对异常值非常敏感，提出了一种基于L2,p-PCA和流形学习方法的无监督特征提取模型。.（2.4）针对经典的NMF具有局限性，例如仅关注局部信息、对噪声的敏感性和小样本量（SSS）问题，提出了一种结合稀疏性、低秩和矩阵指数的指数图正则化非负低秩因子分解算法（EGNLRF）。.（3）哈希学习和图嵌入学习.（3.1）针对将二维图像转换为一维描述符需要更高的计算成本，并且不是最佳的，提出了一种新的双线性监督邻域离散鉴别哈希算法（BNDDH）。.（3.2）针对以前的监督哈希算法在学习哈希码时从欧氏空间到汉明空间的映射过程时只考虑标签信息，提出了一种新的弱监督离散判别哈希算法（WDDH），以确保更有效地表示数据和更好地检索信息。.本项目的成果将提高数据识别率和同时降低计算复杂度，为大规模多视角图像数据检索提供理论基础。

内容获取失败，请点击重试