局部保持的稀疏表示字典学习#陈思宝1,2，赵令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：稀疏表示分类中的字典选择至关重要，为了用较少的字典原子更好地表示原始训练样本的局部信息，并且使学习出的字典更加具有判别信息，提出了一种基于局部保持准则的稀疏表示字典学习方法。该方法把局部保持准则强加在编码系数上，使得学习出的字典具有相近数据点的编码系数也保持近邻关系的特性,从而保持原始训练样本的局部信息。该方法在扩展的YaleB、AR和COIL20三个开放数据库上的实验验证了算法的有效性。关键词：局部保持；稀疏表示；字典学习；模式识别：TP391.4DictionaryLearningviaLocalityPreservingforSparseRepresentationChenSibao1,2,ZhaoLing1,2,LuoBin1,2(1.SchoolofComputerScienceandTechnology,AnhuiUniversity,HeFei230601;2.KeyLaboratoryforIndustrialImageProcessingandAnalysisofAnhuiProvince,HeFei230039)Abstract:Dictionaryisverycrucialtosparserepresentationclassification.Inordertopreservelocalinformationoforiginaltrainingsampleswithlessdictionaryatoms,andtoincludemorediscriminantinformationindictionary,anewdictionarylearningmethodbasedonlocalitypreservingcriterionisproposedforsparserepresentation.Thecriterionoflocalitypreservingisimposedonthecodingcoefficients,whichmakesthedictionaryhavethepropertythatcodingcoefficientsofneighboringdatapointsareclosetoeachother,andpreservelocalinformationoforiginaltrainingsamples.ExperimentsonExtendedYaleB,ARandCOIL20databasesdemonstratetheeffectivenessoftheproposedmethod.Keywords:localitypreserving;sparserepresentation;dictionarylearning;patternrecognition0引言在过去的几年里，稀疏编码[1]理论和算法有了快速的发展，并成功地应用于图像恢复[2]和压缩传感[3]。近来，稀疏表示技术在图像分类方面也取得了不错的效果，如人脸识别(FaceRecognition,FR)[4]，数字和纹理分类[5]等。在稀疏表示分类中，利用最小化l0或l1范式，一个高维图片测试样本可以被其同一类的少量具有代表性的训练图片样本线性地表示或编码，进而进行分类和识别。稀疏表示可以预先定义字典，如Wright[4]所提出的稀疏表示分类(SparseRepresentationbasedClassification,SRC)使用所有类的训练样本作为一个字典，并通过最小重构误差来实现对查询人脸图像的分类。由于最初训练样本的不确定性以及噪声方面的因素，尽管稀疏表示在人脸识别方面取得了一些不错的效果，但是在很多情况下最初训练样本并不能有效的表示所要查询的图像。即使是使用最初的训练样本作为我们所要学习的字典，也不能充分地利用隐含在训练样本中的判别信息。此外，现有的基础分析设计字典(如K.Huang[5]把Haar小波和Gabor小波用作字典)并不适用于特定类型的图像，如人脸、数字和纹理图像。另一方面，---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，主要从事图像处理与模式识别研究。sbchen@ahu.edu-1----本文来源于网络，仅供参考，勿照抄，如有侵权请联系删除---如果把所有的训练样本都作为字典并且训练样本又非常多，那么它会增大编码的复杂度。因此，我们需要根据训练样本学习出一个较小的并且更加适合分类的字典。4550556065字典学习(DictionaryLearning,DL)，即在训练样本中学习一个字典以更好地表示原始的训练样本，从而便于后期的压缩编码和分类识别。近几年来，出现了许多针对图像处理[2]和分类[5]等方面的DL方法。L.Zhang曾提出了一个基于Fisher判别准则的稀疏表示字典学习(FisherDiscriminationDictionaryLearning,FDDL[6])方法。它利用不同类别训练样本之...