基于測(cè)試樣本誤差重構(gòu)的協(xié)同表示分類方法

　　基于協(xié)同表示的分類方法（ Collaborative Representation- based Classification，CRC）在諸如人臉識(shí)別、物體識(shí)別等圖像分類任務(wù)中取得了良好的效果。CRC利用范數(shù)正則化來(lái)解決測(cè)試樣本的線性表示問(wèn)題，以期得到一個(gè)較穩(wěn)定的數(shù)值解。已有研究表明，正則化參數(shù)的選擇對(duì)協(xié)同表示的數(shù)值穩(wěn)定性起著非常重要的作用。文中提岀了一種新的基于測(cè)試樣本誤差重構(gòu)的協(xié)同表示分類方法（ Test Sample Error Reconstruction Collaborative Representation-based Classification， TSER-CRO）。該方法首先利用較小的正則化參數(shù)計(jì)算出一個(gè)協(xié)同表示系數(shù)，使其重新構(gòu)建測(cè)試樣本，以削弱原始測(cè)試樣本中的誤差或減小原始測(cè)試樣本與訓(xùn)練樣本之間的不一致性;然后，利用較大的正則化參數(shù)，并基于重構(gòu)岀的測(cè)試樣本再次求解協(xié)同表示系數(shù)，以得出數(shù)值較穩(wěn)定的測(cè)試樣本與各類別訓(xùn)練樣本之間的關(guān)系，并以此對(duì)測(cè)試樣本進(jìn)行分類。該方法有效地減少了由所有訓(xùn)練樣本構(gòu)成的協(xié)同子空間所表示的測(cè)試樣本中存在的誤差和異常值，提高了協(xié)同表示編碼系數(shù)的穩(wěn)定性和圖像分類的魯棒性。通過(guò)在5個(gè)標(biāo)準(zhǔn)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，所提方法在圖像分類精度方面明顯優(yōu)于傳統(tǒng)CRC和其他一些經(jīng)典的圖像分類方法。