TELKOM NIKA Indonesia n  Journal of  Electrical En gineering   Vol.12, No.6, Jun e  201 4, pp. 4230 ~ 4 2 3 6   DOI: 10.115 9 1 /telkomni ka. v 12i6.486 0          4230     Re cei v ed O c t ober 2 0 , 201 3; Revi se d Decem b e r  31, 2013; Accept ed Ja nua ry 2 2 , 2014   The Recognition of Stored Grain Pest s Based on The  Gabor Wavelet  and Sparse Representation      Hongliang F u 1,2 , Jing Lu* 1 , Hua w ei Tao 1 , Beibei Zhang 1   1 Institute of Informatio n  Scien c e & Engin eer i ng, Hen an U n i v ersit y  of T e chnol og y ，   Z hengz ho u 45 000 1, Chi n a   2 Ke y  L abor ator y of Grain i n for m ation pr ocess i ng a nd co ntrol  of the MOE, H ena n Univ ersit y  of T e chnolo g y ,  Z hengz ho u 45 000 1,   Chin a   Addres: Bo x 1 112 0, Lia nhu a  Street,  High-te ch Z one, Z hen gzho u, Hen a n   *Corres p o ndi n g  author, e-ma i l : lujin ga nn@ 1 63.com       A b st r a ct  In order to  i m p r ove the r e co g n itio n rate  and  accu racy  of stored  grain pests classific a tion,  savin g   classificati on ti me,  a n e w  recogn ition   metho d  bas ed  on th e Gabor  w a vel e t and  spars e   repres entati on  i s   prop osed  in t h i s  pap er. In thi s  pap er, ni ne t y pical  pes ts  in  the store d  gra i n ar e re gard e d  as th e rese a r ch   obj ect, Gabor  ener gy feat ure s  an d  mor pho l ogic a l fe atur es  are  extracted,  princ i p a l c o mpon ent a n a l ysi s is   used  to r educti on  di me nsi on  a nd s parse  re pr esentati o n  is   u s ed to  ac hiev e  the cl assificati o n  of stor ed  gr ai n   pests. Si mu lati on r e sults  sho w  that, Gabor   ener gy fe atur e  is  a  better c h o o se for  gr ain  p e sts class i ficati on ,   and the ov erall perfor m anc e  of Gabor  feat ures and spars e  repres entation  is  better than the traditional  classificati on methods.     Ke y w ords :   stored  grai n p e sts, Gabor w a vel e t, sparse  r epres entati o n reco gn ition,  princi pa l co mp one n t   ana lysis     Copy right  ©  2014 In stitu t e o f  Ad van ced  En g i n eerin g and  Scien ce. All  rig h t s reser ve d .       1. Introduc tion  Grain  sto r ag e pe sts i s  an  importa nt factor  of ca usi ng the lo ss  of stored g r a i n, whi c h   seri ou sly affect the safety of food sto r a ge. Co nt rol m easure s  m u st  be taken to redu ce its im p a ct  on the a g ri cul t ural p r od ucti on ha za rd s. Accu rately  cl assificatio n  of  pest s  is  one  of the mea n s for  the pest co ntrol, whi c h is  based on vari ous type s of pest s  trainin g  sample s to determi ne wh ich  categ o ry the   test sample  i s . Due to  the  st rong  ope rability and  e a sy to i m ple m ent, the im age  recognitio n  m e thod h a s b e en be com e  a  great d e velo pment. In the  image  recog n ition metho d ,  the pe sts a r e cl assified  usu a lly through th e image p r e p roce ssing, fe ature extract i on,  cla ssifi cation and  re co gniti on.  In re cent ye ars,  som e  co mmonly u s e d  feature extractio n  meth ods  and  cla s sificatio n   algorith m s  ha ve been  used  for the  store d  grai n pe st   speci e s i dentifi c ation. Z hang  Hon g tao [1,  2]  use d  ant col ony optimiza t ion algorith m  sele ct ed seven featu r es, then use d  supp ort vector  machi ne to  id entified ni ne  kind s  of g r ain  pe sts,  a nd  propo sed  the  chara c te risti c s of g r ain  in se cts  comp re ssion  method  ba sed on  kernel  Fish er  discriminant a nal ysis, effe ctively red u ced  the   feature dim e nsion numbers while improv ed the sepa rability between classes. Yuan Jinli [3] used  extensio n en ginee ring  ap plicatio ns to  the g r ain   pe st s  cla ssifi catio n , and  had  g e t better  re su lts.  Wang Keru [ 4 ] used artificial in telligence and Internet technology  t o  achieve  crop pests remote   image  re cog n ition an d di agno si s. Zha ng Hongm ei   [5] used BP  neural net wo rk to  cla s sify and  identify pest s  in sto r ed  gra i n. Lu Jun [6]  use d  fu zzy clusteri ng  a nal ysis reali z ed  dynamic  fuzzy  clu s terin g  an alysis of the  store d  g r ain  pest s . Ha n Antai [7] used  comp re ssed  sen s ing to t h e   store d  g r ain   pest s  cl assifi cation,  re cog n ition rate up  to 93%, whi c h b r o ught n e w id ea s for  the   grain in se ct identificatio n classificatio n .  For the cl assification of grain pe sts, pr ede ce ssors often use d  the geom etri c shap es  feature s  and  the colo rs  ch ara c teri stic fe ature s ,  while  few studi es t he texture feature s , whi c h  is  not cond uciv e to the  tre n d  of  coal esci ng va riety ch ara c teri stic fe ature s . In  re cent yea r s,  G abor   energy feature has be en applie d in many fields , but the method used for  stored g r ain p e st s  classifi cation  is still very  rare. In  this  paper, Gabor text ure features of nine typical pest s in t h e   store d  g r ain   has bee n ext r acte d, then   combi ned  wit h  the 1 5 -dim ensi onal  morpholo g y featu r es,  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     The Re co gnit i on of Stored  Grain Pe sts  Based o n  Th e Gabo r Wavelet and… (Honglia ng Fu )  4231 prin cipal  co mpone nt ana lysis is  used  to dimen s io n red u ctio n. In the view  of cla ssifi cation,  spa r se re pre s entation which is ba sed o n  the emer gi ng  theory of co mpre ssed  se nsin g is u s ed  for   the grain pe sts cla ssification. Comp re ssed sen s ing i s  a new si gn al acqui sition , encodin g  a nd  decodin g  the o ry, which m a ke  spa r se  repre s e n tation  to a  ne w re sea r ch  boom . Wri ght  J  et al.   prop osed a  robu st face  re cog n ition via  spa r se  re pre s entatio n [8], which mainl y  based  on i dea   that hum an v i sual  sy stem  has t he  ch aracteri stics of  image  sp arse  re pre s e n tation [9], an d th en   use d  sig nal sparse recon s truction in  re dund ant  dicti onary to achi eve face re cognition [10 - 12].  Tanaya  Guh a  et al. used  spa r se reco gnition in  hu man a c tion  reco gnition,  which  re con s truct  feature  dictio nary  suitable  for recogniti on an d di scu ss fe asi b ility of OMP (o rth ogon al mat c h i ng  pursuit algo ri thm) in re co gnition [13]; Chi Cai  et al . used sp arse recognitio n  in weed se eds   recognitio n  [1 4], howeve r , it didn’t con s i der feat u r e of  wee d  se ed,  so result wa s poor; Xue  M e i  et al. u s ed  sp arse  re cog n ition vehi cle  tra cki ng [1 5]. In  this p ape r,  sp arse  rep r e s e n tation i s  u s e d   for the grai n pest s  cla s sification, re co g n ition rate a c hieve 94% ab ove.      2. Image Preproces sing   Image  pre - p r oce s sing  can  improve th e  imag e d a ta  and  highli ght  the im age  f eature s   whi c h involve d  in sub s eq u ent wo rk. Th e pre-p r o c e s sing  of ri ce  weevil are  a s  follows: grayscale  pro c e ssi ng,  Figure 1 ( b);  5×5 Ga uss filterin g,  Figure 1 ( c);  Otsu  algo rithm ba ckground  Segmentatio n is u s ed, Fi gure  1(d ) ; ra dius of  3  structural elem ents di sc  op ening o p e r ati on is  use d  to extract the la rg e s t co nne cted  com pone n t, Figure 1 ( e);  interse c ted  with the o r igi nal  image, Figu re  1(f).        (a) Original image    (b) G r ay scale  images    (c) Gauss filtering      (d) Ba ckgrou nd Segme n ta tion    (e) Split po stpro c e ssi ng     (f) Inters ec ted with the original  image     Figure 1. The  Pre-p r o c e ssi ng of Rice Weevil                                      3. Extrac tion  and Compre ssion of Ga b o r Energ y  Fe ature    3.1. Extrac tion of Gab o r Energ y  Feature   2D  Gab o r  wavelets  can   descri be th e  feeling s  of  neuron s bi ol ogical visio n  pro b lem s   better, its ai rspa ce  and f r eque ncy d o m ain  cha r a c teristi c s can  be adj uste d  according to  the   need s of visi on. The diffe rent frequ en cy scale s  an d texture o r ient ation informat ion of imag e  can  be extra c ted  throu gh  2D  Gabo r  wavel e ts [16], a s   well a s  th e  chara c te risti c  f o r  cla ssifi cati on   pest s . 2D Ga bor filter fun c tion ca n be ex pre s sed a s  a function of th e form:    2 2 2 2 , , 2 , 2 2 2 , exp exp exp z k j z k v u v u v u v u k z                     ( 1)  Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 6, June 20 14:  4230 – 4 236   4232 Whe r e u is the   nucl ear direct ion of  Gab o r,  v is  nu c l e a r  sc ale ， z  is the  im age  co ordi nat es  of the   given p o sitio n .  , uv k   controls  the wi dth of  the  Gau ssi an  wind ow functio n , wavelength  an d   direction of t he oscillations.  is the radi us of the Ga ussian fu n c ti on, whi c h pro v ides 2 D  gab or  wavelet size. In  natural  im a ges,  2 , v u k is to co mpen sate fo r attenuation o f  the energy spectrum    determi ned  b y  the fre que n c y,  2 2 2 , 2 exp z k v u is Ga uss  envelop e fun c tion ； z k j v u , exp   is pla ne  wav e  of co mplex  values,  real  part i s z k v u , cos , imaginary p a rt i s   z k v u , sin . 2 exp 2  is  DC  c o mponent.  Let image (, ) f xy siz e  is M N  (M is the  number of pi xels of the x-axis and N is the   numbe r of pixels of the y-a x is), t hen the  2D Ga bor tra n sform functi on is:     ,, (, ) ( , ) uv uv st Gx y f x s y t                                    ( 2)    Whe r e  s  is the length of the filter module,   t  is the width  of the filter module,  x  is the length of  the image,  y  is the  width  of the imag e .  Acco rdin g  to the results of the 2D  Gabo r  wavel e t  transfo rm, en ergy inform ation are  cal c ul ated acco rdin g to formula  ( 3):     ,, (, ) ( , ) uv uv xy Ex y G x y                                             ( 3)    The direct u s e of ene rgy  information  is lik ely to cause errors,  so u s ually th e mean  energy inform ation are u s e d  as texture f eature s  [17]:     , 1 (, ) ( , ) uv xy uv E x y MN                                            ( 4)    In  this pap er,   filter con s i s ting  of 40 gab or wa velet filt er(five  scale s  eight  dire cti ons) i s   use d  to tran sform the grai n pest s  pictu r e. Figu re 2 i s  a Gab o r  wavelet transf o rm. Com put th e   mean en ergy informatio n after tran sform,  then get  a total of 40 features a s  texture  feature s .   Acco rdi ng to  the extra c tion method i n   the  literatu r e  [2] \, area, perim eter, el ongatio n,  stand ard  pr o duct, comple xity, duty cycle, ci rcul a r ity, equivalent  radiu s , 1 - 7  orde r mo m ent  invariant s are  extracted, g e t 15 morph o l ogical featur es in total, with 40 Gabo r feature s  toget her  as featu r e vector.       Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     The Re co gnit i on of Stored  Grain Pe sts  Based o n  Th e Gabo r  Wavelet and… (Honglia ng Fu )  4233   (a) After p r e- pro c e ssi ng     (b) Ene r gy  im age after G a b o r tran sfo r m   Figure 2 .  Gab o r Wavelet Transfo r m                                     3.2. Featur e Compre ssio n   Princi pal  com pone nt analy s is (P CA) [1 8 ]  is a   linea r transfo rmatio n  of multiple va riable s   to elect a l e ss i m po rtant  variable  an d as  many  as p o ssibl e  to refle c t the  origin al vari able  informatio n. The n o ise a nd the  data  redu nda nc y  can  be  rem o ved by PCA,  as  well  as  the   redu ction  dim ensi onality of  the o r igin al complex d a ta.  In this  pape r,  55-dimen s io nal (40 D  G a b o r  feature s  and  15D mo rph o logy features) fe at ure  vector a r e redu ced dim ensi onality a n d   optimizatio n by PCA. The ma in process is as follo ws:   1)  Cal c ulate the  data mean x an d covari an ce  S.  2) Let 12 ,, , n px x x x x x    ， n = 55,  calculate  the eig envalue s  and  eigenve c tors  of S through T pp n S 1 ,  and eig e nval ues  in desce nding o r de r.   3)  Select th e first m l a rgest   eigenvalu e s  corr e s p ondin g  eig enve c tors a s  ba sis ve ctors,  transfo rme d  in the minimu m mean squa re erro r co ndi tions:     12 ,, , pca p c a pca p cam VV V V                                                (5)    X V Y pc a                                                           (6)    Y is prin cipa l compo nent s, X is cha r acteri stic va ri able s ,  pca V is  the firs t m larges t   eigenvalu e s correspon ding eigenve c tors.   After the prin cipal comp on ent transfo rm  we  get 55 princip a l com p onent s , and intercept  the  first  1 0  prin cipal co m pone nts  fo r analysi s   of  cumulative co ntribution   rat e ,  the  re sult s  is  sho w n i n  Fig u re 3. T he first 1, 2, 3 p r in cipal  com pon ents  cumul a tive contri butio n rate of o r yzae   rea c h  86.5%. Studies in Li terature [19]  have sho w n t hat the  re cog n ition rate is  better  whe n  t he  cumul a tive  contributio n  ra te more th an  85%  of  the   prin cipal  com pone nt, there f ore, the  pa p e r   sele cted 1, 2,  3 princi pal compon ents a s  the gr ain in se ct  cla ssif i c a t i on t e st  f e at ure v e ct o r .   Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 6, June 20 14:  4230 – 4 236   4234     Figure 3. Cu mulative Cont ribution  Rate       4. Classifica tion  In re ce nt yea r s,  Ca ndè s  a nd  Don oho  et  al e s tabli s h e d  Comp re ssi ve Sen s ing  (CS) [2 0- 22]. CS is a full use of sig nal spa r sity or com p re ssibi lity of the new sign al acq u isition, en co ding  and  de codi ng  theo ry. The  theory  sugge sts that  wh en the  si gnal   is spa r se or  co mpre ssible,  t h e   sign al  can  b e  ap proximated a c cu ratel y  re con s tru c t  thro ugh  coll ect a   small  amount  of  si gnal  proje c tion. T he p r op ose o f  CS ma ke  sparse  rep r e s entation to  a  new hei ght. The g r ain  pe sts  cla ssifi cation  based on  spa r se  rep r e s ent ation [23] model is a s  follo ws:   There a r e t di stinct  obje c t  cla s ses, fe ature s   of  ea ch  cla s s co mpo s e the training  sam p le   matrix  1, , i mn i A Ri k   ， ， wh er e ,1 , 2 , [, , , ] i i ii i n A vv v  . Different types of trai nin g  sam p le   matrix com p ose  a compl e te sam p le  matrix  A 12 , t 1, 1 1 , 2 , [, , ] [ , , , ] k tn A AA v v v   . Literature  [24] states: fo r any ne w te st sample f r o m  the sa me  cla s s mn yR ca n  be approa che d  by  linear  spa c e  con s tituted by t r aini ng  sam p le  i A . Therefore   cla ssifi cation  p r oblem  can  b e  tra n sfo r me d   into solving th e followin g  eq uation:     yA x                                                              (7)       Whe n   mn , （ 7 ） become s  und erdete r min e d  equation, wh ich can be  sol v ed by (8):     1 arg m i n . x xs t y A x                                         (8)    Coeffici ents o f  solve is ,1 , 2 , [ 0 , , 0, , , , , 0, , 0 ] i Tn ii i n x R      only the i category   coeffici ent is  not zero, then  the test sam p le belo nging  to class i , so as to achi eve the purp o se s  of classification.      5. Experimental Re sults  and An aly s is  The im ag s a bout  cadell e , Grai n Bo rer, Alphitobiu s  diape rin u s  pan zer,  Ory z aephil u s  suri nam en sis, Cryptole ste s  tu rci c u s ,  Callosobruc hu s chin en sis, Rice weevil, Long   valley stolen,  Triboli u m castaneum a r e  selecte d  in thi s  pa per, th e r e are  9 pe sts in all [25]. Construct traini ng   sampl e s matrix throug h ext r actin g  featu r es  of  13 5 p e st image s  (ea c h pe st h a s 15  pictu r e s ) an d   con s tru c t te st sam p le s ma trix throug h e x tracting fe ature s  of 4 5  p e st ima ge  (e ach  pe st ha s 5   picture). Fou r  kind s of experime n tal pro g ram a r e:   1)  Only 15 morp hologi cal feat ure s  are used .  2)  Only 40 texture features a r e use d .  3)  Morp holo g ica l  features a n d  texture  features  set up 55 D integrated feature s .   1 2 3 4 5 6 7 8 9 10 0 10 20 30 40 50 60 70 80 90 10 0 11 0 P r i n ci p a l  co m p o n e n t s C u m u l a t i v e  c o n t r i b u ti o n  ra te %     42. 3 78 .1 86 .5 92 .1 94. 6 97 .3 96 .2 99 .3 98 .7 97 .9 Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     The Re co gnit i on of Stored  Grain Pe sts  Based o n  Th e Gabo r Wavelet and… (Honglia ng Fu )  4235 4)  Integrated fe ature s  thro ug h prin cipal  co mpone nt anal ysis an d processing, then t a ke   the first three  prin cipal  com pone nts.       Table 1. Perf orma nce Co mpari s o n  of Different Cl assificatio n  Sch e mes    Program 1   Program 2   Program 3   Program 4   Success rate of classif i cation   72.45%   89.12%   90.33%   94.03%   Time-consuming  52.35001  78.51286  80.84916   43.06575       Table 1  sh o w s th e success rate  and  time-con su ming of fou r  different  cla ssifi cation  prog ram s . From the time  con s um ptio n point of  vi ew, with th e  increa sing  n u mbe r  of fea t ure   vectors, pro g r am 1 program 2 prog ra m 3 has  mo re and mo re  time consu m ption, while  the   con s um ption  of prog ram 4 is almo st half of t he progra m  3, which fu lly demonstra t ed throug h the  PCA dimen s i on re du ction  can  red u ce redun dant a n d  save time.  From th e cla s sificatio n  succe s s  rate p o int of  view, progra m  4 ha s the   highe st su c c e s s  r a t e .  The  cla ssif i cat i on  su cc es s  rat e  of  prog ram  2 is  large m o re than 20% of progra m  1,  this fully proves  Gabo r wavel e t energy feature   excee d  morp hology feature for the  grai n inse ct cla ssification.   As a wh ole, classificatio n  reco gnition rate  based on  sparse rep r esent ation in thi s  pap er  is high than  the neare s t  neighbo r cl assificatio n   in literature [1], the extension e ngine e r ing  method in lite r ature [3], and the BP neural  netwo rk m e thod in litera t ure [5].      6. Conclusio n   This pa per  re sea r ch the re cog n ition of st ored grain p e sts b a sed o n  Gabo r wav e let and   spa r se repre s entatio n, Ga bor  ene rgy fe ature s  of t he  typical nin e  ki nds  of sto r ed  grain  pe sts  a r e  extracted, p r inci pal com pone nt anal ysis is u s e d  to dimen s ion redu cti on and sp arse   rep r e s entatio n is use d  to the cla ssifi cati on of st ored  grain p e st s. Experime n tal result s sho w  that,  Gabo r wavel e t energy feature ex cee d  morp hology  f eature fo r the grain in se ct cla s sificati on.  Cla ssifi cation  based o n  sparse re presentat ion exceed BP neural netwo rk a nd the nearest   neigh bor  cla s sificatio n . A combinatio n of  both ma ke g r ain in se ct cl assificatio n  rate rise to 94 %,  the overall cl assificatio n  system  pe rformance i s  en h anced. Thi s  p aper also h a s som e thing to  be   perfe cted:  su ch  as: m u ch  more featu r es to  be  i n tegrate d , different  algo rithms i n   spa r se  rep r e s entatio n to be comp ared.       Ackn o w l e dg ements   Suppo rted by Henan  sci en ce and te chn o logy i nnovati on outstan din g   youth fund proje c ts  (104 100 510 0 08). In novation Spe c ial  P r og ram  of  G r aduate  Edu c ation in  Hen an  University of  Tech nolo g y (2012Y JCX 5 6 ) . The Nation al Natu ral Science Fun d  No: 612 013 8 9 .  The Natio nal  863 pla n  proj ect No ： 201 2 AA10160 8. Proje c t of Education  De p a rt ment of Hen an Provin ce  No:  14A550 001.       Referen ces   [1]  Z hang  H ongta o , Mao  H anp i ng, H a n  Lvh u a . Base d  on   Kerne l  F i sh er  Discrimi nant  A nal ysis  i n sect   F eature Com p r e ssio n  metho d .  Jiangs u Univ e r sity Journa l.  2012; 33( 1): 16- 20.   [2]  Z hang  Hon g ta o, Mao Ha np in g, Qui Da o y in.  F eatur e e x tra c tion for the st ored- grai n ins e ct detectio n   s y stem b a sed  on ima ge reco gniti on tech nol og y.  T r ansacti ons of the CSA E . 2009; 25( 2): 126-1 30.   [3]  Yuan  Jin li, Ji  Hai y a n , Gu o  Zhitao.  Rese arch  on e x te nsio n  e n g i ne e r ing in   stored   grai n pest s   classification.  Agricult ural En gin eeri ng Jo ur nal.  20 04; 20( 5 ) : 170-17 2.    [4]  W ang Keru.  Rese arch of  base d  on Ima ge Rec o g n itio n dia g n o sis o f  crop pests.  Acade my o f   Agricult ural Sci ences . Bei jin g, Chin ese. 2 005.   [5]  Z hang  Ho ngm ei, F an Y anfe n g . Rese arch  of  base d  o n   dig i tal ima ge  proc essin g  tech nol og y of  grai n   pests classification.  Hen an U n iversity of T e ch nol ogy Jo urna l . 2005; 2 6 (1): 1 9 -22.   [6]  Lu Jun, T an Z uoju n , Che n  Jianj un. An al ysi s of granar y pests d y nami c  fuzz y  cluster i ng.  Ch ines e   Cere als an d Oils Journ a l.  20 0 9 ; 24(9): 11 6-1 18.   [7]  Han A n tai, Gu o  Xia o h ua, L a o  Z hon g, et a l . Class ificatio n  of agric ultur a l  pests b a sed  o n  compr e sse d   sensi ng the o r y .   Transactions  of the CSAE.  2011; 6: 20 3-20 7.  [8]  W r ight JA, Ganesh A, et al. Rob u st fa ce re cogn ition vi a s parse re prese n t ation.  IEEE trans. on pattern  Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 6, June 20 14:  4230 – 4 236   4236 Analys is and M a chi ne Intel lig e n ce (PAMI) . 2009; 31(2): 2 10- 227.   [9]  B Olshaus en,  D F i el d. le arni n g  a D i ctio nar y  of Sh a pe-C o m pon ents i n  Vis ual  Corte x : C o mpariso n   w i t h   Neur ons, Hum ans an d Mach i nes PhD d i sser t ation, MIT .  2006.   [10]  D Do no ho. F o r Most Lar ge  Und e rderterm i ned   S y stems  of Li near  Equ a tions  the M i n i mal  l1-n or m   Soluti on Is Also the Spars e st Soluti on.  Co mm. Pure a nd A ppli ed Math.  2 006; 59( 6): 797 -829.   [11]  E Cand es, J Romberg, T   T ao. Stable  Signa l Rec o ver y  from I n comp lete an d Inaccurat e   Measur ements .   Comm. Pure  and Ap pli ed M a th . 200 6; 59(8 ) : 1207-1 2 2 3 .  [12]  E Can des, T  T ao. Near-Optimal S i gn al  R e cove r y  form   Ran dom Pr oje c tions: Un ivers a l Enc o d i n g   Strategies.  IEEE Trans. Inform ation Theory.  2006; 5 2 (12):  540 6-54 25.   [13]  T anya Guh a , Rab ab K W a rd . Learn i ng S p a r se Repr ese n tations for  Hum an Actio n  Rec ogn ition . IEEE.   T r ans. on patte rn ana lysis an d  mach in e intel l i genc e . 201 1:1 57-1 588.   [14]  Cai  Chi,  Z han g  Ming, Z hu J u n p in g. W eed   se eds c l assific a ti on  base d   on c o mpress ed s e nsin g.  Scienc e  chin a press.  20 10; 40: 16 0-17 2.  [15]  Xu e M e i, H a ib i n  Li ng.  Rob u st  Visu al T r ackin g   a nd V e h i cle   Classific a tio n  v i a S parse  Re p r esentati on.  IEEE Trans on Pattern Analys is Machine.  201 1; 33(11): 2 259 -227 2.  [16]  Z hang Gan g , Ma Z ongmin.  One kind of u s ing Ga b o r  w a vel e t texture  feature e x tract i on meth od.   Chin ese Jo urn a l of Ima ge a n d  Graphics.  20 10; 15(2): 2 47- 254.   [17]  Z hang G ang,  Ma Z ongm in.  An ap pro a ch  of usin g g a b o r   w a ve lets for  textur e featur e e x tractio n .   Journ a l of Ima ge an d Graph i cs.  2010; 15( 2) : 247-25 4.  [18]  Hua ng Qua n l o ng. F a ce Rec ogn ition B a se d on PCA.  Xi' an Un iversity  of Electron ic Scienc e an d   T e chno logy.  2 012.   [19]  Xi an  Ho ng. B a sed  o n  e l ect r onic  tong ue   Lon gj in g te a ta ste  qu al i t y  te sti n g re sea r ch . Zh e j i a ng  Univers i t y . 2 0 1 0 : 50-69.   [20]  DL Do noh o. Compress ed se nsin g.  IEEE Tr ans. on Infor m ation Theory . 2 006; 52( 4): 128 9-13 06.   [21]  E Can des, J  R o mber g, T e rence  T ao. Rob u s t  uncerta int y  pr incip l es: E x act sign al r e co nstruction fr o m   hig h l y  inc o mpl e te freque nc y i n formatio n .  IEEETrans. on Inform ation   Th eory . 2006; 52( 2): 227-2 54.   [22]  Jian hua  Z hou,  Si w a ng Z h o u , Qiang  F a n .  Mat hematics  Appro a ch es  in C o mpress e d  Sens in g.  T E LKOMNIKA Indon esi an Jou r nal of Electric al Eng i ne eri ng.  2013; 1 1 (9): 5 435- 544 0.   [23]  Xinsh eng  Z h a ng, Mi ng hu W ang.  S pars e  R epres entati on f o r D e tectio n of  Microc alcific a tion  Cl uster s .   T E LKOMNIKA Indon esi an Jou r nal of Electric al Eng i ne eri n g .  2012; 1 0 (3): 5 45-5 50.   [24]  K Le e, J  Ho,  D  Krie gman.  La mbertai n  R e fle c tion  an d  Lin e a r Su bsp a ces.  IEEE Trans.Pattern Analysis   and Mac h in e Intelli ge nce . 20 06; 28(3).   Evaluation Warning : The document was created with Spire.PDF for Python.