单样本学习下时序约束稀疏表示的物体识别方法

非接触式传感器相比接触式触觉传感器可以避免与物体直接接触过程中产生的噪声, 因而能够获取更有价值的原始数据表征物体内在属性; 然而针对非接触式传感器感知的物体属性数据而言, 现有算法难以实现单样本学习下的物体准确识别. 为解决这一问题, 本文提出一种新颖的单样本学习下时序约束稀疏表示方法（One-Shot Learning with Temporally Constrained Sparse Representation, OSL-TCSR）用于识别5种不同材料下的50个物体类别. 首先将两种原始数据（Lumini光谱和SCiO光谱）并行投影至共享子空间, 并且使用聚类典型关联分析法（C-CCA）计算两种原始数据的聚类相关性特征; 其次通过字典学习分别计算得到的聚类相关性特征数据以及原始数据的编码向量, 并利用原始数据的编码向量对相关性特征数据的编码向量进行二次投影映射; 然后通过将两次映射后的原始数据和相关性特征数据进行重构, 以充分耦合化两种光谱数据; 进一步地, 通过设计新颖的时序约束正则化的稀疏表示方法计算重构后的原始数据和相关性特征数据, 以充分考虑每个光谱序列的时序特征; 最后通过与最新的物体识别方法进行实验对比, 结果表明提出的OSL-TCSR方法提高了单样本学习情况下的物体识别结果. 此外, OSL-TCSR还可灵活迁移至多种应用场景, 比如材料识别或纹理识别等.