针对单核SVM分类识别SAR图像舰船目标的低精度问题, 提出了一种基于多特征提取和多核学习SVM的SAR图像舰船目标识别方法, 从特征提取和分类器训练两个方面提升目标识别的准确度。首先选用公开数据集提取舰船目标的多类特征, 然后加权融合多个核函数构造多核SVM模型, 最后使用多项特征数据训练识别舰船目标。鉴于多组目标特征存在信息冗余问题, 采用相关性系数去除某些信息高度冗余的特征, 降低特征维度。通过粒子群优化算法解决了SVM核函数的核参数选择难题。实验结果表明, 所提方法有效改善了对舰船目标的识别性能, 综合识别准确率由传统SVM的87.18%提高至92.31%。

针对线性加权多核图聚类方法限制了共识核的表达能力和再生核希尔伯特空间中噪声污染的问题, 提出一种鲁棒多核子空间图聚类算法(RSMKL), 旨在增强核的表达能力和提高核空间中噪声的鲁棒性。该算法利用一种新颖的非线性自加权核融合策略来生成最佳的共识核, 同时在核空间利用低秩约束模型来消除噪声对关系图质量的影响。最后, 提出一种基于交替方向乘子的迭代优化算法求解目标函数。与5种同类流行算法在5个常用数据集上比较, 实验结果表明RSMKL在聚类精度(ACC)、标准互信息(NMI)和聚类纯度(Purity)上具有更好的聚类性能。

现有基础矩阵鲁棒估计方法存在精度不高、准确性较低等不足,基于此,提出一种利用多核学习改进密度峰值聚类的基础矩阵估计方法。首先,针对密度峰值算法需要选取参数和无法自动聚类等不足,引入多核学习和γ分布图进行改进;其次,以对极距离为特征,通过多核学习-密度峰值算法剔除匹配数据集中的异常值,得到较优内点集;最后,使用M估计法消除定位噪声误差,对内点子集进行进一步优化处理,并估计最终的基础矩阵。利用INRIA Dataset数据集对所提方法进行验证分析。结果表明:在保证匹配点信息较多的前提下,所提方法提高了基础矩阵的计算精度和准确性。

针对当前图像显著性检测算法存在的检测不准确和边缘不清晰问题,提出基于改进的贝叶斯公式融合算法。采用compactness先验得到初级显著图,并以初级显著图作为训练样本,采用多核学习方式得到次级显著图,而后基于贝叶斯公式以一定的比例融合初级和次级显著图,最终获得精确的显著性检测图。实验结果表明,算法在2个公开数据集上进行检测时,所得结果能够有效地突出目标物体,去除边缘模糊的现象,且实验结果在3个数据指标(精确度、召回率和F-measure值)方面均优于其他8种算法,算法运行速度较快,实验结果也更为精确。

对于高光谱影像地物分类问题, 为更加有效地利用像元空间信息和光谱信息, 提高地物分类精度, 提出了多核融合多尺度特征的分类方法。首先, 通过多尺度空间滤波和PCA白化, 提取出多尺度特征;接着在核稀疏表示分类器内使用多核方式对分别表示每项特征, 在分类器内实现特征自动融合, 根据子核与理想核、子核之间距离求取核组合的权重, 使用训练集所构成的字典在特征空间内对待测样本进行线性表示, 根据每类地物的重构误差确定待测像元所属地物类别。实验结果表明: 对于Indian Pines影像和Pavia University影像总体分类精度分别达到99.51%和97.96%, 较传统方法明显提高, 并且对于小样本地物识别精度也都能达到90%以上。本文算法对于高光谱影像地物具有更强的识别能力, 并且具有较强的稳定性和鲁棒性。

分数阶傅里叶变换是信号处理与分析的一个重要工具，通过将图像信号投影到不同角度的时频平面可以表征图像的内容信息，其在人脸识别任务中显示出很好的性能。但是分数阶傅里叶变换存在阶次选择的问题，即在没有先验知识的情况下，无法预先知道哪一个阶次的分数阶傅里叶变换域特征具有最好的判别性能。受机器学习中的多核学习理论启发，本文探讨了分数阶傅里叶变换中阶次选择问题和多核学习理论的联系，通过将不同阶次的分数阶傅里叶变化域特征的线性核矩阵作为多核学习网络的输入，结合支持向量机，交替优化更新多核网络中的系数和支持向量机的参数，自动学习多阶次分数阶傅里叶变换域特征的系数，实现多阶次分数阶傅里叶变换域特征的融合。将所提算法应用到人脸识别任务中，在ORL 人脸数据集和扩展YaleB 人脸数据集上的实验显示所提算法的可行性和有效性。

在非重叠多摄像机或单摄像机视频监控中, 识别跟踪目标的再次出现很重要。针对传统支持向量机方法在特征融合方面的缺陷, 本文提出了一种新的基于在线多核学习的人体目标再现识别方法。该方法对跟踪目标视频前景图像序列提取具有互补性的视觉单词树直方图和全局颜色直方图二种特征, 再采用多核学习方法在线训练人体目标视觉外观, 从而得到多核特征融合模型。实验结果表明, 该方法能快速训练人体目标外观模型, 满足视频监控的实时要求, 多核融合模型获得了比单一特征模型和单核支持向量机方法更高的识别性能。