《圖像流形的內稟維數及特徵提取研究》是依託中山大學，由馮國燦擔任項目負責人的面上項目。
基本介紹
- 中文名：圖像流形的內稟維數及特徵提取研究
- 項目類別：面上項目
- 項目負責人：馮國燦
- 依託單位：中山大學
中文摘要,結題摘要,
中文摘要
人類的感知系統是以流形的形式來存儲所感知到的信息。對於考察的圖像集，內稟維數是圖像流形最合適的維數表示。如果內稟維數估計得過高，除了 依然存在維數災難外，還會導致空空間的現象，實際起作用的特徵在特徵空間占的比重越來越小。如果內稟維數估計得過低，那么數據重要的 特徵就會重合在一起，以至無法對數據進行聚類和分類。因此，內稟維數估計對數據維數約簡和特徵提取有重要的意義。大多數內稟維數的研究都 是從像空間直接討論，典型的如局部化PCA，由於數據的非線性，此方法難找合適局部嵌入和尺度。.本研究擬運用圖像成像的基本原理，從參數空間與像空間的關係入手，對凸多面體3D模型，首先構造出基於不同視點的圖像流形的機理或分析表達形式，然後研究其內稟維數及其圖像特徵的最優表達， 最後擴充研究到3D形體變化、紋理變化等圖像流形內稟維數、特徵表達，並套用到人臉表情變、姿勢變化的圖像流形分析。
結題摘要
本項目旨在通過圖像流形內稟維數的探討，進行圖像的特徵提取、降維及其分類研究。1、在圖像分割方面，提出改進的機率圖模型圖像紋理分割法、基於譜聚類閾值分割法及CV模型的分割法。2、在機器學習方面，通過研究非線性降維問題，我們提出了Discriminant Cut (Dcut)的新的譜聚類算法，並把它推廣到半監督學習上。通過仿生模型研究，提出了近緣關係相似性定義。對於triplet限制條件，提出了一個新的正則化的度量學習方法。 3、在字典學習和稀疏表達方面， 提出了基於魯棒回歸的加權的結構稀疏表示方法並套用於人臉識別和新的學習判別字典的方法；並且提出稀疏模糊C-mean 算法。
