关键字 |
主成分分析;特征值;特征向量;协方差矩阵。 |
介绍 |
对象识别系统[1]受聘在许多应用程序中,如工业和生产线,机器人技术,对象分组,对象跟踪、人脸识别等。所有这些应用程序需要一个计算机视觉程序能够识别不同类型的对象。装配线中的对象或对象的识别乘坐一个传送带要求培训数据库和所有相关信息识别以前存储在机器内存和加载在需要时以确保最快的反应。机器与人类需要翻译成机器可以理解的格式照片。这是通过从图像中提取特征,然后用于分类和识别对象的特性。这是通过将这些特性与以前存储的数据库进行比较不同对象的已知特征。 |
主成分分析(PCA)[2]是最成功的技术之一,用于图像识别、特征提取和压缩。主成分分析是一种统计方法广泛的标题下的因素分析。主成分分析的目的是减少大型数据空间的维数(观测变量)较小的内在特征空间的维数(独立变量),这是需要经济来描述数据。出现这种情况时观察到的变量之间有很强的相关性。PCA的工作可以做预测,去除冗余、特征提取、数据压缩等。剩下的纸是组织如下。第二部分处理PCA及其数学背景。第三节讨论方法和仿真结果。第四部分比较了三种不同的实现方法提出工具的识别系统,最后第五部分得出结论。 |
主成分分析 |
在自动工作对象的检测主要集中在提取对象的维度属性识别。使用边缘,控制点等测量长度、角度等导致复杂和耗时的模式识别技术。对象的相关信息在图像中提取,尽可能有效地编码,比较一个对象编码和编码同样的数据库模型。捕捉变化的一组图片和使用此信息来编码和比较对象。在数学方面,发现的主要组件对象的分布(工具在这种情况下),或协方差矩阵的特征向量的工具集图像,将图像视为一个点(或一个向量)在一个很高的维空间。特征向量都是命令,每一个会计的不同图像之间的变异量的工具。这些特征向量可以被认为是一组特性,描述图片的工具之间的差异。每个图像位置或多或少有助于每一个特征向量,特征图像可以被编译。每个数据库中的图像可以表示完全的线性组合的特征图像。原则上任何收集的图片工具[3]可以通过存储大约重建一个小重量为每个对象的集合。 The weights describing each image of a tool are found by projecting the face image onto the eigen image. |
初始化这个对象识别方法包括以下操作: |
1。获得一组初始的训练图像 |
2。计算训练集的特征图像,只保留M图像对应特征值最高。这些M图像定义图像空间。 |
3所示。计算相应的分布在每个已知重量m维空间对象,通过将其图像投影到图像空间。 |
初始化系统,以下步骤用于识别新的测试图片: |
1。计算一组权重,将输入图像投射在每个特征的图像。 |
2。确定图像是一个已知的对象,通过检查图像是否足够接近图像空间。 |
3所示。如果它是一个对象,体重模式分类为一个已知的对象或者是未知的。 |
答:PCA背后的数学 |
二维图像可以表示为一维向量连接每一行(或列)到一个细长的向量。考虑M向量的大小N(图像×列图像的行)代表一组采样图像。pj年代代表像素值。 |
![图像](//www.cheescube.com/articles-images/IJAREEIE-350-e001.gif) |
在vi = ei T wi。vi是第i个坐标图像的新空间,也就是主成分从而获得。向量ei被称为特征图像。所以Ω描述每个特征图像的贡献代表对象的图像,把图像特征为基础设置对象的图像。最简单的方法确定哪些对象类提供了输入测试图像的最佳描述是找到的对象类k最小化了欧几里得距离(εk) (10)。 |
![图像](//www.cheescube.com/articles-images/IJAREEIE-350-e002.gif) |
在Ωk描述k对象类是一个矢量。如果εk小于一些预定义的阈值θc,属于类的对象分为k。 |
方法:实施和结果 |
该方法的框图见图1。特征提取并存储在内存和加载时识别功能提供了一个测试工具。识别系统的实现工具,工具属于4种不同的类即扳手螺丝刀、刀和锤。72旋转每个类由训练样本数据库,使288训练图像。每个训练图像类不同于其相邻样品50的旋转角度。 |
从训练样本图像数据库的四个不同的类的工具如图2所示。为测试创建一组图片,原非旋转样本每个类旋转[4]72次,每次5°。测试样品为每个类中随机挑选从这些旋转图像。 |
数据库加载计算软件,MATLAB在这种情况下,提取和所有必需的功能。类的特征用于识别或工具是投影图像的权重[5],[6]图像空间特征。这些特性计算的现有的训练数据库和存储用于识别。执行准确识别所需的数量特征图像比训练图像的数量少得多。从288张图片,包含在培训数据库,只需要146特征图像准确地识别测试图像的训练数据库。该方法的仿真结果表明真正的识别测试图像数据库是图3所示。 |
的比较工具识别时间 |
物体识别的方法(方法二和方法三)是与现有的方法相比(我)。我执行所有的计算方法,包括创建数据库,PCA特征提取和目标识别测试图像。现有的方法需要更多的计算时间,因此它是低效率的。方法二世保存整个数据库的内存和加载数据库的内存当一个测试图像应用于系统识别从而减少执行时间。所有最初的计算包括数据库创建和PCA特征提取保存在一个内存位置在第三方法提出系统更高效,适合实时应用程序。图4显示了工具识别仿真结果,第一个是测试图像和第二个是确定从数据库工具. . |
最初的计算训练图像的特点是最耗时的部分系统。一旦这些计算是得救了,他们必须被更新只有当遇到新的训练图像。识别,这些功能只是从内存加载。所需的时间来确定一个工具之后,穿越288年的预测训练图像只有约15秒。因此该系统作为一个相当有效的系统来识别图像中的对象。如果数据库保存方法二,程序执行时间约为55秒。如果数据库计算每次给出的测试图像按照我方法,程序执行大约需要5分钟表I所示,而不是使用一个阈值来确定一个测试图像的类,欧几里得距离权重的投影特征图像的投影测试图像。 |
提高系统的精度在实际应用程序中,可以扩大到包括培训数据库图像中可能存在的其他变化,倾斜,位置等。设定一个阈值也会提高系统的准确性。这将使测试对象被拒绝在地面的不足够近的训练图像。神经网络实现来执行相同的任务相同的准确性将过于复杂,花大量时间训练。这是特别不利的一个拓展训练数据库。的提取功能,能有效地描述这些图片也将是困难的。一个最简单的方法需要确定最外层边缘图像中对象的。物体的质心计算,从这一点上边缘的距离在不同的角度可以组合一个特征向量。这些向量对不同的图像可以被映射到各自的目标基于他们的类。这种方法并不能保证准确性,PCA。 |
结论 |
一个有效的工具识别系统提出了利用主成分分析和验证。仿真结果表明,该方法是最有效和准确的方法来识别和分类工具。该方法只需15秒从数据库中识别的工具。这是更明显企图使用后传统的神经网络实现相同的任务。同样的技术可以应用到目标识别系统的不同能力取决于所需的功能。 |
表乍一看 |
![Click Here 表的图标](//www.cheescube.com/articles-images/table-icon.gif) |
表1 |
|
|
数据乍一看 |
|
|
引用 |
- Aljarrah, i。Ghorab, a。,and Khater, I. M., âÂÂObject Recognition System using Template Matching Based on Signature and PrincipalComponent Analysis, â International Journal of Digital Information and Wireless Communications, Vol. 2, no. 2, pp. 156âÂÂ163, 2012.
- 我Diamarantas, k。宫,s . Y。,âÂÂPrincipal Component Neural Networks: Theory and Applications,â John Wiley & Sons, Inc., 1996.
- 土耳其人,m . Pentland,。,âÂÂEigenfaces for Recognition,â Journal of Cognitive Neuroscience, Vol. 3, no. 1, 1991.
- 耆那教徒,a K。,âÂÂFundamentals of Digital Signal Processing,â Prentice Hall of India Pvt. Ltd., 2005.
- 冈萨雷斯,r . C。,and Woods, R. E., âÂÂDigital Image processingâÂÂ, second edition, Pearson Education inc. 2002
- 冈萨雷斯,r . C。森林,r . E。,and Eddins, S. L., âÂÂDigital Image processing using MATLAB,â Pearson Prentice Hall, 2003.
|