基于多重核稀疏表示分类#陈思宝1,2，许立仙1,2，罗斌1,2*（1.安徽大学计算机科学与技术学院，合肥230601；5101520253035402.安徽省工业图像处理与分析重点实验室，合肥230039）摘要：稀疏表示分类（SRC）及核方法在模式识别的很多问题中都得到了成功的运用。为了提高其分类精度，提出多重核稀疏表示及其分类（MKSRC）方法。提出一种快速求解稀疏系数的优化迭代方法并给出了其收敛到全局最优解的证明。对于多重核的权重给出了两种自动更新方式并进行了分析与比较。在不同的人脸图像库上的分类实验显示了所提出的多重核稀疏表示分类的优越性。关键词：稀疏表示分类（SRC）；核方法；多重核；核权重；模式识别中图分类号：TP391.4MultipleKernelSparseRepresentationBasedClassificationCHENSibao1,2,XULixian1,2,LUOBin1,2(1.SchoolofComputerScienceandTechnology,AnhuiUniversity,HeFei230601;2.KeyLaboratoryforIndustrialImageProcessingandAnalysisofAnhuiProvince,HeFei230039)Abstract:Sparserepresentationbasedclassification(SRC)andkernelmethodshavebeensuccessfullyappliedinmanypatternrecognitionproblems.Inordertoimprovetheclassificationaccuracy,weproposemultiplekernelsparserepresentationbasedclassification(MKSRC).Afastoptimizationiterationmethodforsolvingsparsecoefficientsandtheproofoftheassociatedconvergencetoglobaloptimalsolutionaregiven.ForupdatingthekernelweightsofMKSRC,twodifferentupdatingmethodsandtheassociatedcomparisonandanalysisaregiven.Theexperimentalresultsonfourfaceimagedatabasesshowthesuperiorityoftheproposedmultiplekernelsparserepresentationbasedclassification.Keywords:sparserepresentationbasedclassification(SRC);kernelmethod;multiplekernel;kernelweight;patternrecognition0引言在分类问题中，最近邻分类器（NearestNeighbor，NN）[1]和最近子空间分类器（NearestSubspace，NS）[2]是一种非常简单的分类器，它们是精确的并且适用于各种问题。NN是根据测试样本与带有标签的单个训练样本之间的最短距离而对测试样本进行分类的，与此不同的是，NS是根据测试样本与每类所有的训练样本子空间的最短距离而进行分类。支持向量机（SupportVectorMachine，SVM）[3]也是一种分类器，它是以统计学习中的结构最小风险为坚固的基础。众所周知，SVM是将输入数据映射到一个高维的特征空间，然后在两类之间找到一个大幅超平面，而这又可以通过二次规划算法解决。但这些方法都有一些缺点。NN仅通过待分类样本与训练样本中单个训练样本间最短距离来进行分类，NS则是仅通过待分类样本与训练样本子空间最短距离来进行分类，因此它们很容易受到噪声的干扰，而且它们对数据的局部结构也是非常地敏感，同时计算量也很大。SVM的缺点是，它通常不像其他的分类器如神经网络那样紧凑。幸运的是，Wrightetal.将稀疏表示引入人脸识别领域，其假定，当测试样本所在类的训练样本足够多时，测试样本可---本文来源于网络，仅供参考，勿照抄，如有侵权请联系删除---基金项目：国家自然科学基金资助项目(61202228,61073116)；高等学校博士学科点专项科研基金联合资助课题(20103401120005)；安徽省高校自然科学研究重点项目(KJ2012A004)作者简介：陈思宝，(1979-)，男，副教授，博士，主要研究方向：图像处理与模式识别。sbchen@ahu.edu.cn-1----本文来源于网络，仅供参考，勿照抄，如有侵权请联系删除---由这些训练样本线性表出，而其它类的训练样本对重构该测试样本的贡献为0，然后通过估计每类的最小误差而对测试样本分类，从而提出了一种基于稀疏表示的人脸识别分类45505560657075（SparseRepresentation-basedClassification，SRC）[4]。SRC比现有的这些方法更能有效地处理如人脸遮挡、腐蚀、光照和表情变化等问题。最近，随着核技巧在SVM中的成功运用，核函数法已经引起了极大的关注。它是通过将数据映射到一个高维的数据特征空间来提高线性机器学习的计算性能，从而提供一个可选择的解决方...