[发明专利]一种基于局部近邻稀疏表示的目标识别方法

说明书

技术领域

本发明属于基于计算机的模式识别技术领域，具体地是指一种基于局 部近邻稀疏表示的目标识别方法。

背景技术

传统的信号表示理论大多是基于非冗余的正交基函数的变换，如傅立 叶变换、Gabor变换、小波变换等等。它们的特点是给定信号的表示形式 唯一，对于给定信号，一旦其特性与基函数不完全匹配，所得的分解结果 将不再是信号的稀疏表示。因而，寻求新的信号稀疏表示方法成为必要。 1993年，Mallat等人首先提出了基于过完备的Gabor词典的信号稀疏表 示方法，并提出了匹配追踪(Matching Pursuit，MP)算法，从而开创了 信号稀疏分解的新方向。随后，Neff等人提出了基于Gabor字典和匹配追 踪算法的视频编码算法。这种方法的基本思想是基函数由一组过完备完备 的冗余函数(称作字典)取代，字典中的每个元素则被称作原子，信号通 过原子线性重构。其中原子的数目比信号的维数要大的多，由此产生了冗 余。正是由于这种过完备性，就会产生多种信号表示形式，其中含有最少 非零系数(最稀疏)的表示是最简单的，也是稀疏表示最优的一种表示方 法。对于任意信号y∈R^D，其稀疏表示等价于求解如下的优化问题：

min||w||₀，满足y＝Aw                                   (1)

或者，

min||Aw-y||₂+λ||w||₀                                  (2)

其中，A是过完备字典，||w||₀表示线性重构权值向量w中非零分量的个数。 近年来，该领域的研究方向主要集中在，设计一组针对具体对象的过完备 字典，有效的求解稀疏编码的算法，以及在信号和图像处理还有模式识别 领域的应用。

由于稀疏表示最初的提出是为了对信号进行稀疏分解，其目标是尽可 能用最少的原子来最好的线性重构原始信号。另一方面，在稀疏表示的分 类方法这个研究方向，有利于解决分类问题的一类判别方法受到了显著的 关注。例如，一种通过学习多个字典的分类方法，其中每个字典在具有重 构性的同时，还具有判别性。该方法通过这些学习得到的字典，对每个图 像块进行稀疏表示，最后用重构误差实现对象素的分类。与上述方法不同 的是，一种基于信号稀疏分解的分类方法通过在等式(1)的基础上增加一 个判别项，使得该方法在具有稀疏性的同时还具有鲁棒性很强的重构性， 进而有效的实现了对有损信号数据的分类。

与上述基于信号稀疏分解的分类方法预先指定字典相似，稀疏表示分 类方法是一种通用的基于图像的目标识别方法。该方法把模式识别问题看 作一个针对多个线性重构模型的分类问题。同时，信号稀疏表示理论为该 方法解决模式识别问题提供了强有力的依据。稀疏表示分类方法的主要思 想是：对于一个测试样本y，从一个过完备的字典(由整个训练集组成) 寻找能够稀疏表示y的一组基元素(整个这组基元素称作基)。具体而言， 如果训练集中包含的样本数量足够多，那么对于测试样本y来说，其将可 以由与其属于同一类别的部分训练样本线性重构。同时，其线性重构权值 向量满足一定的稀疏性，即，线性重构权值向量中只有少数几个分量是非 零的。从目前已公布的结果来看，如果恰当的应用稀疏表示分类方法，其 可以达到目前最好的分类性能。

虽然上述方法也强调拥有适用于分类的判别性，但是整个过程并没有 体现出明显的判别性，同时，对实验对象有一定的限制条件，以及时间复 杂度比较高。

发明内容

本发明的目的是提供一种通用的基于局部近邻稀疏表示的目标识别 方法，对于任意的测试样本，根据该测试样本与训练集每类样本中局部近 邻的关系，得到一组线性重构权值向量，由于该权值向量具有一定的稀疏 性和判别性，因此可以快捷、准确、有效的对测试样本进行分类，而且对 分类对象没有限制，具有很强的通用性。

为达到上述目的，本发明提供利用基于局部近邻稀疏表示的目标识别 系统实现一种基于局部近邻稀疏表示的目标识别方法，该方法的包括如下 步骤：

步骤1：输入样本模块从数据库中接收并输出c类训练样本集和测试 样本集；

步骤2：样本单位化模块对c类训练样本集和测试样本集进行单位化， 获得单位化后的训练样本集A和测试样本集Y；