基于弹性网稀疏编码的空间目标识别  

Elastic Net Sparse Coding-based Space Object Recognition

作　　者：史骏[1,2] 姜志国[1,2] 冯昊[1,2] 张浩鹏[1,2] 孟钢[3] 

机构地区：[1]北京航空航天大学宇航学院,北京100191 [2]数字媒体北京市重点实验室,北京100191 [3]北京遥感信息研究所,北京100191

出　　处：《航空学报》2013年第5期1129-1139,共11页Acta Aeronautica et Astronautica Sinica

基　　金：国家自然科学基金(61071137;61071138;61027004);国家"973"计划(2010CB327900)~~

摘　　要：传统的特征袋(BoF)模型在目标识别过程中假设每个局部特征点只关联特征词典中一个视觉单词。此外,l1范数约束下的稀疏编码对于具有较强成对相关性的特征通常只选择一个特征,而不关注哪一个特征被选择。本文提出一种基于弹性网稀疏编码的特征袋模型。该模型利用尺度不变特征变换(SIFT)特征描述子构建特征字典,再通过弹性网回归模型求解每个描述子所对应的稀疏系数向量,最后将目标图像内的稀疏系数向量合并用于分类。与传统的特征袋模型和基于l1范数稀疏编码的特征袋模型相比,该模型有较好的识别性能,并对视角变化具有较强的鲁棒性。在空间目标图像数据库上的实验验证了该模型的有效性。The traditional bag-of-features （BoF） model for object recognition assumes each local feature point is related to only one visual word. Besides, sparse coding with I1-norm constraint generally selects only one feature without concern for which one is selected. A novel bag-of-features model based on elastic net sparse coding is presented in this paper. The model uses scale invariant feature transform （SIFT） feature descriptors to construct a feature dictionary, and then applies an elastic net regression model to the solution of sparse-coefficient vectors. Finally the sparse-coefficient vectors in each object image are pooled for classification. Compared with the conventional BoF model and the BoF model based on I^-norm sparse coding, our model achieves better recognition performance and is more robust to the variation of viewpoints. Experiments on the space object image database demonstrate the effectiveness of the proposed model.

关 键 词：特征袋 l1范数约束 稀疏编码 弹性网回归 空间目标识别 特征提取 

分 类 号：V19[航空宇航科学与技术—人机与环境工程] TP391[自动化与计算机技术—计算机应用技术]