《基於壓縮感知認知模型的面像識別與理解》是依託中山大學，由戴道清擔任項目負責人的重大研究計畫。
基本介紹
- 中文名：基於壓縮感知認知模型的面像識別與理解
- 項目類別：重大研究計畫
- 項目負責人：戴道清
- 依託單位：中山大學
中文摘要,結題摘要,
中文摘要
壓縮感知理論與稀疏表示方法近年來在統計信號處理領域得到快速發展。面像識別是模式識別、圖像處理、計算機視覺、機器學習等領域的研究熱點。本項目根據壓縮感知原理，結合人的認知實際，提出嶄新的視覺認知模型。該模型將測試樣本表示為訓練集(字典)的線性組合，組合係數的稀疏性與稀疏集中度可以用來衡量其類別屬性。本項目將重點研究：（1）小樣本條件下的降維與稀疏表示；（2）多重回歸分析中的最優回響變數構造；（3）基於超解析度重建技術與正則化策略的圖像質量恢復；（4）大規模最佳化計算與線上學習算法；（5）面像認知與識別系統。項目的創新之處在於整合認知科學、信號處理、非線性最佳化、線上學習等理論，提出基於壓縮感知的視覺認知模型並套用於面像識別領域，以解決小樣本及非線性變化（畸變、遮擋等）問題。本課題的研究將豐富模式識別與機器學習理論，並為面像識別問題提供新的解決途徑。
結題摘要
面像分析與識別是當今模式識別領域的前沿研究熱點。本課題圍繞稀疏表示與面像識別在五個方面展開了研究：(1)從具有冗餘特性的小波框架特徵出發，得到基於稀疏正則化框架的圖像與視頻恢復算法，為識別提供準備。(2)以人像識別為主要套用背景，發展帶有稀疏約束的矩陣快速分解與重構算法，有效的節省了計算成本。(3)從梯度特徵出發，使用圖模型對特徵做出區分，提出雙加權的稀疏正則化算法，解決帶有遮擋的圖像識別問題。(4)從方向、尺度、色彩等多重特徵出發，提出新的多核學習算法，選擇出有利於提高分類性能的模式，從特徵的角度對結果做出更好的解釋。(5)稀疏網路模型的建模與套用：生物標誌物檢測及分子相互作用機制的稀疏性建模。這些結果套用於面像識別和蛋白質網路數據分析。主要論文有：IEEE T IP 12, IEEE T KDE 11 and IEEE T CBB 12。
