摘要特征表示是计算机视觉中非常重要的研究内容。本文主要介绍了基于图像局部结构的图像分解方法（简称IDLS）与基于核范数的矩阵回归模型（简称NMR），并将两者融合构建了基于NMR图像分解的特征表示方法（简称NMR-IDLS）。NMR-IDLS使用基于核范数的矩阵回归来描述图像局部窗口中的中心宏像素与邻域宏像素的关系，将回归表示系数重组成分解后的子图像；使用Fisher线性鉴别分析对子图像降采样后级联成的超向量进行降维，得到最终的图像特征。将NMR-IDLS扩展至有监督的版本，并于卷积神经网络（CNN）相结合，作为一种数据增广手段。实验部分验证了NMR-IDLS在人脸识别以及手写数字识别任务上的有效性。42462

关键词  特征提取 矩阵回归 图像分解 图像识别

毕业论文设计说明书外文摘要

Title   NMR-based Image Decomposition for Feature Representation                     

Abstract

Feature representation is one of the most significant research areas of computer vision. This article focuses on local structure based image decomposition(IDLS) and nuclear norm based matrix regression, combining both of them to introduce a new feature extraction procedure: NMR-IDLS. NMR-IDLS describes the relationship between central macro-pixel and neighbor macro-pixel by NMR, reforming the regression factor into the decomposed sub-images. These sub-images are then down sampled, vectorized to form a super-vector followed by dimensionality reduction to act as the final feature. We further develop a supervised NMR-IDLS to augment input data for convolutional neural network(CNN). Experimental results demonstrate the efficient of the proposed NMR-IDLS when dealing with face and hand-written digit recognition problem.

Keywords  Feature extraction matrix regression image decomposition recognition

目   次

1. 引言 1

1.1 研究背景和意义 1

1.2研究内容与研究方法 1

1.3 后续内容安排 4

2. 基于NMR图像分解的特征表示方法（NMR-IDLS） 5

2.1 基于局部结构特征的图像分解方法（IDLS） 5

2.2 基于核范数的矩阵回归模型（NMR） 10

2.3 基于NMR图像分解的特征表示方法（NMR-IDLS） 11

3. 有监督的NMR-IDLS模型 14

3.1 卷积神经网络（CNN）简介 14

3.2 NMR-IDLS作数据增广 14

3.3 梯度下降法的改进 15

3.4 反向传播算法简介 17

4. 实验 20

4.1 AR数据集上的人脸识别实验 20

4.2 MNIST数据集上的手写数字识别实验 23

结 论 27

致 谢 28

参考文献29

1. 引言

1.1 研究背景和意义

自1956年的达特茅斯会议宣布人工智能诞生以来，这一学科不断地发展和演化。模式识别是人工智能演化史上最重要的分支之一。计算机视觉是模式识别的重要研究内容，以David Marr发表“Early processing of visual information”[1]作为起始点，已经经过了40年的发展。计算机视觉是一门研究让机器学会像人一样“观察”世界的学科。具体来说，就是让摄像头和计算机分别代替人类的眼睛和视觉中枢，对目标进行检测、识别、跟踪等任务。其相关学科有信号处理、机器学习、图像处理等等。计算机视觉与这些学科一起互相借鉴和促进，稳步向前发展。