高级搜索

基于图像协方差无关的增量特征提取方法研究

王肖锋 孙明月 葛为民

引用本文: 王肖锋, 孙明月, 葛为民. 基于图像协方差无关的增量特征提取方法研究[J]. 电子与信息学报, doi: 10.11999/JEIT181138 shu
Citation:  Xiaofeng WANG, Mingyue SUN, Weimin GE. An Incremental Feature Extraction Method without Estimating Image Covariance Matrix[J]. Journal of Electronics and Information Technology, doi: 10.11999/JEIT181138 shu

基于图像协方差无关的增量特征提取方法研究

    作者简介: 王肖锋: 男,1977年生,博士,讲师,研究方向为发育机器人和机器学习;
    孙明月: 女,1994年生,硕士生,研究方向为机器人智能学习;
    葛为民: 男,1968年生,博士,教授,研究方向为机器人智能控制
    通讯作者: 葛为民,geweimin@tjut.edu.cn
  • 基金项目: 国家重点研发计划(2017YFB1303304),天津市科技计划重大专项(17ZXZNGX00110),天津市自然科学重点基金(16JCZDJC30400)

摘要: 针对2维主成分分析(2DPCA)算法无法实现在线特征提取及体现完整数据结构信息等问题,该文提出一种基于图像协方差无关的增量式2DPCA(I2DPCA)算法。该算法无需对图像协方差矩阵进行特征值或奇异值分解,其复杂度将大为降低,提高了特征提取速度。针对I2DPCA仅提取了横向特征的问题,又提出一种增量式行列顺序2DPCA(IRC2DPCA)算法,该算法对I2DPCA的特征矩阵再次进行纵向特征提取,保留了图像的横向与纵向特征信息,实现了行列两个方向上的特征提取与数据降维。最后,以自建的物块数据集、通用的ORL和Yale人脸数据集分别进行对比实验,结果表明,该文算法在收敛率、分类率及复杂度等性能方面均得到了显著提高,其收敛率达到99%以上,分类率可达97.6%,平均处理速度为29帧/s,能够满足增量特征提取的实时处理需求。

English

    1. [1]

      WANG Hongjuan, HU Jiani and DENG Weihong. Face feature extraction: a complete review[J]. IEEE Access, 2018, 6: 6001–6039. doi: 10.1109/ACCESS.2017.2784842

    2. [2]

      CHAUDHARY G, SRIVASTAVA S and BHARDWAJ S. Feature extraction methods for speaker recognition: a review[J]. International Journal of Pattern Recognition and Artificial Intelligence, 2017, 31(12): 1–39. doi: 10.1142/S0218001417500410

    3. [3]

      SOORA N R and DESHPANDE P S. Review of feature extraction techniques for character recognition[J]. IETE Journal of Research, 2018, 64(2): 280–295. doi: 10.1080/03772063.2017.1351323

    4. [4]

      NEIVA D H and ZANCHETTIN C. Gesture recognition: a review focusing on sign language in a mobile context[J]. Expert Systems with Applications, 2018, 103: 159–183. doi: 10.1016/j.eswa.2018.01.051

    5. [5]

      陈小龙, 关键, 于晓涵, 等. 基于短时稀疏时频分布的雷达目标微动特征提取及检测方法[J]. 电子与信息学报, 2017, 39(05): 1017–1023. doi: 10.11999/JEIT161040
      CHEN Xiaolong, GUAN Jian, YU Xiaohan, et al. Radar micro-Doppler signature extraction and detection via short-time sparse time-frequency distribution[J]. Journal of Electronics &Information Technology, 2017, 39(05): 1017–1023. doi: 10.11999/JEIT161040

    6. [6]

      ISLAM S, ANAND S, HAMID J, et al. Comparing the performance of linear and nonlinear principal components in the context of high-dimensional genomic data integration[J]. Statistical Applications in Genetics and Molecular Biology, 2017, 16(3): 199–216. doi: 10.1515/sagmb-2016-0066

    7. [7]

      BRO R and SMILDE A K. Principal component analysis[J]. Analytical Methods, 2014, 6(9): 2812–2831. doi: 10.1039/c3ay41907j

    8. [8]

      YANG Jian, ZHANG David, FRANGI A F, et al. Two-dimensional PCA: a new approach to appearance-based face representation and recognition[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2004, 26(1): 131–137. doi: 10.1109/TPAMI.2004.1261097

    9. [9]

      ZHANG Daoqiang and ZHOU Zhihua. (2D)2PCA: Two-directional two-dimensional PCA for efficient face representation and recognition[J]. Neurocomputing, 2005, 69(1-3): 224–231. doi: 10.1016/j.neucom.2005.06.004

    10. [10]

      ZUO Wangmeng, ZHANG David, and WANG Kuanquan. Bidirectional PCA with assembled matrix distance metric for image recognition[J]. IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics) , 2006, 36(4): 863–872. doi: 10.1109/TSMCB.2006.872274

    11. [11]

      YANG Wankou, SUN Changyin, and RICANEK K. Sequential Row–Column 2DPCA for face recognition[J]. Neural Computing and Applications, 2012, 21(7): 1729–1735. doi: 10.1007/s00521-011-0676-5

    12. [12]

      GAO Quanxue, MA Lan, LIU Yang, et al. Angle 2DPCA: A new formulation for 2DPCA[J]. IEEE Transactions on Cybernetics, 2018, 48(5): 1672–1678. doi: 10.1109/TCYB.2017.2712740.

    13. [13]

      ZHOU Shuisheng and ZHANG Danqing. Bilateral angle 2DPCA for face recognition[J]. IEEE Signal Processing Letters, 2019, 26(2): 317–321. doi: 10.1109/LSP.2018.2889925

    14. [14]

      DIAZ-CHITO K, FERRI F J, and HERNÁNDEZ-SABATÉ A. An overview of incremental feature extraction methods based on linear subspaces[J]. Knowledge-Based Systems, 2018, 145: 219–235. doi: 10.1016/j.knosys.2018.01.020

    15. [15]

      WENG Juyang, ZHANG Yilu, and HWANG Weyshiuan. Candid covariance-free incremental principal component analysis[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2003, 25(8): 1034–1040. doi: 10.1109/TPAMI.2003.1217609

    16. [16]

      王肖锋, 张明路, 刘军. 基于增量式双向主成分分析的机器人感知学习方法研究[J]. 电子与信息学报, 2018, 40(3): 618–625. doi: 10.11999/JEIT170561
      WANG Xiaofeng, ZHANG Minglu, and LIU Jun. Robot perceptual learning method based on incremental bidirectional principal component analysis[J]. Journal of Electronics &Information Technology, 2018, 40(3): 618–625. doi: 10.11999/JEIT170561

    17. [17]

      谢自强, 葛为民, 王肖锋, 等. 发展型机器人实时特征提取方法研究[J]. 机器人, 2017, 39(2): 189–196. doi: 10.13973/j.cnki.robot.2017.0189
      XIE Ziqiang, GE Weimin, WANG Xiaofeng, et al. Real time feature extraction method of developmental robot[J]. Robot, 2017, 39(2): 189–196. doi: 10.13973/j.cnki.robot.2017.0189

    18. [18]

      REN Chuanxian and DAI Daoqing. Incremental learning of bidirectional principal components for face recognition[J]. Pattern Recognition, 2010, 43(1): 318–330. doi: 10.1016/j.patcog.2009.05.020

    19. [19]

      曹向海, 刘宏伟, 吴顺君. 一种有效的增量BDPCA算法[J]. 系统仿真学报, 2008, 20(20): 5530–5533. doi: 10.16182/j.cnki.joss.2008.20.041
      CAO Xianghai, LIU Hongwei, and WU Shunjun. A kind of efficient incremental BDPCA algorithm[J]. Journal of System Simulation, 2008, 20(20): 5530–5533. doi: 10.16182/j.cnki.joss.2008.20.041

    20. [20]

      文颖, 施鹏飞. 一种基于共同向量结合2DPCA的人脸识别方法[J]. 自动化学报, 2009, 35(2): 202–205. doi: 10.3724/SP.J.1004.2009.00202
      WEN Ying and SHI Pengfei. An approach to face recognition based on common vector and 2DPCA[J]. Acta Automatica Sinica, 2009, 35(2): 202–205. doi: 10.3724/SP.J.1004.2009.00202

    1. [1]

      宋晨, 周良将, 吴一戎, 丁赤飚. 基于自相关-倒谱联合分析的无人机旋翼转动频率估计方法. 电子与信息学报,

    2. [2]

      胡健, 罗迎, 张群, 康乐, 何其芳. 空间旋转目标窄带雷达干涉式三维成像与微动特征提取. 电子与信息学报,

    3. [3]

      孙兵, 阮怀林, 吴晨曦, 钟华. 基于Toeplitz协方差矩阵重构的互质阵列DOA估计方法. 电子与信息学报,

    4. [4]

      汪荣贵, 韩梦雅, 杨娟, 薛丽霞, 胡敏. 多级注意力特征网络的小样本学习. 电子与信息学报,

    5. [5]

      吴培良, 杨霄, 毛秉毅, 孔令富, 侯增广. 一种视角无关的时空关联深度视频行为识别方法. 电子与信息学报,

    6. [6]

      陈万忠, 王晓旭, 张涛. 基于可调Q因子小波变换的识别左右手运动想象脑电模式研究. 电子与信息学报,

    7. [7]

      吴超, 李雅倩, 张亚茹, 刘彬. 用于表示级特征融合与分类的相关熵融合极限学习机. 电子与信息学报,

    8. [8]

      陈莹, 许潇月. 基于双向参考集矩阵度量学习的行人再识别. 电子与信息学报,

    9. [9]

      周智恒, 刘楷怡, 黄俊楚, 陈增群. 一种基于等距度量学习策略的行人重识别改进算法. 电子与信息学报,

    10. [10]

      王莉, 曹一凡, 杜高明, 刘冠宇, 王晓蕾, 张多利. 一种低延迟的3维高效视频编码中深度建模模式编码器. 电子与信息学报,

    11. [11]

      费高雷, 张亚萌, 胡志宇, 周磊, 胡光岷. 基于网络结构特征的IP所属区域识别. 电子与信息学报,

    12. [12]

      李世宝, 王升志, 刘建航, 黄庭培, 张鑫. 基于接收信号强度非齐性分布特征的半监督学习室内定位指纹库构建. 电子与信息学报,

    13. [13]

      赵建, 高海英, 胡斌. 基于容错学习的属性基加密方案的具体安全性分析. 电子与信息学报,

    14. [14]

      潘一苇, 彭华, 李天昀, 王文雅. 一种新的时分多址信号射频特征及其在特定辐射源识别中的应用. 电子与信息学报,

    15. [15]

      郭晨, 简涛, 徐从安, 何友, 孙顺. 基于深度多尺度一维卷积神经网络的雷达舰船目标识别. 电子与信息学报,

    16. [16]

      沈璇, 孙兵, 刘国强, 李超. 数字视频广播通用加扰算法的不可能差分分析. 电子与信息学报,

    17. [17]

      谢敏, 曾琦雅. 轻量级分组密码算法ESF的相关密钥不可能差分分析. 电子与信息学报,

    18. [18]

      韦永壮, 史佳利, 李灵琛. LiCi分组密码算法的不可能差分分析. 电子与信息学报,

    19. [19]

      左国玉, 杜婷婷, 马蕾, 卢佳豪, 龚道雄. 基于动作注意策略的树形DDQN目标候选区域提取方法. 电子与信息学报,

    20. [20]

      涂开辉, 黄志洪, 侯峥嵘, 杨海钢. 基于配置模式匹配和层次化映射结构的高效FPGA码流生成系统研究. 电子与信息学报,

  • 图 1  部分物块样本图像

    图 2  部分ORL人脸样本图像

    图 3  部分Yale人脸样本图像

    图 4  物块数据集循环多次特征向量的收敛率

    表 1  不同数据集下特征向量收敛率的均值及标准差

    数据集输入次数I2DPCA(均值/标准差)IRC2DPCA(均值/标准差)
    前4个特征向量后4个特征向量前4个特征向量后4个特征向量
    物块$m = 2$0.99442/0.003610.86836/0.178260.98964/0.005730.96564/0.01135
    $m = 5$0.99924/0.000410.95478/0.158180.99824/0.001010.97302/0.01020
    $m = 10$0.99981/0.000100.98453/0.022250.99950/0.000300.99495/0.00322
    ORL$m = 2$0.99991/0.000040.89400/0.067630.99753/0.002030.98175/0.01027
    $m = 5$0.99997/0.000020.91620/0.051540.99951/0.000370.99441/0.00231
    $m = 10$0.99998/0.000010.92833/0.051630.99986/0.000100.99755/0.00074
    Yale$m = 2$0.93732/0.072440.96069/0.030260.99602/0.004410.98308/0.00659
    $m = 5$0.96001/0.046780.98261/0.016090.99924/0.000740.99528/0.00140
    $m = 10$0.97283/0.031800.99041/0.009700.99975/0.000240.99793/0.00088
    下载: 导出CSV

    表 2  物块数据集的最佳分类率

    每类训练
    样本数
    2DPCA
    (120×4)[8]
    RC2DPCA
    (8×8)[11]
    Angle-2DPCA
    (120×4)[12]
    BA2DPCA
    (8×8)[13]
    BDPCA
    (8×8)[10]
    IBDPCA
    (8×8)[17]
    I2DPCA
    (120×4)
    IRC2DPCA
    (8×8)
    L=100.9330.9270.9220.9310.9300.9300.9260.922
    L=250.9570.9600.9580.9610.9590.9590.9620.968
    L=500.9590.9610.9610.9610.9610.9670.9620.972
    L=750.9540.9570.9540.9570.9580.9560.9550.958
    L=1000.9660.9630.9660.9640.9630.9730.9710.976
    下载: 导出CSV

    表 3  ORL数据集的最佳分类率

    每类训练
    样本数
    2DPCA
    (112×4)[8]
    RC2DPCA
    (8×8)[11]
    Angle-2DPCA
    (112×4)[12]
    BA2DPCA
    (8×8)[13]
    BDPCA
    (8×8)[10]
    IBDPCA
    (8×8)[17]
    I2DPCA
    (112×4)
    IRC2DPCA
    (8×8)
    L=10.7440.7280.7420.7250.7280.7080.7360.717
    L=20.8500.8440.8500.8470.8470.8440.8470.841
    L=30.8680.8570.8680.8610.8610.8460.8640.857
    L=40.8880.8960.8880.8920.9040.9040.8830.900
    L=50.9050.9050.9050.9050.9150.9150.9050.925
    下载: 导出CSV

    表 4  Yale数据集的最佳分类率

    每类训练
    样本数
    2DPCA
    (100×4)[8]
    RC2DPCA
    (8×8)[11]
    Angle-2DPCA
    (100×4)[12]
    BA2DPCA
    (8×8)[13]
    BDPCA
    (8×8)[10]
    IBDPCA
    (8×8)[17]
    I2DPCA
    (100×4)
    IRC2DPCA
    (8×8)
    L=10.5600.5600.5600.5600.5600.5530.5730.560
    L=20.7190.7330.7190.7330.7410.7410.7260.726
    L=30.8000.8080.7920.8000.8170.8250.7920.825
    L=40.8570.8760.8570.8760.8760.8760.8570.867
    L=50.8560.8890.8560.8890.8890.8890.8560.889
    下载: 导出CSV

    表 5  物块数据集处理的所需时间对比(s)

    算法L=10L=25L=50L=75L=100
    特征提取分类识别特征提取分类识别特征提取分类识别特征提取分类识别特征提取分类识别
    2DPCA(120×4)[8]2.1525.2799.5686.56132.7457.99069.0659.015123.77910.319
    RC2DPCA(8×8)[11]2.0290.9419.2081.14032.6301.36266.4461.335115.3441.554
    Angle-2DPCA(120×4)[12]4.9911.09715.6041.17493.281.29667.7881.47157.6241.545
    BA2DPCA(8×8)[13]13.1171.17914.2611.19046.1071.20365.1051.25048.0891.233
    BDPCA(8×8)[10]2.3560.9339.4560.96632.9881.24867.5011.414127.391.556
    IBDPCA(8×8)[17]11.8260.86829.0741.05556.7781.22186.1201.408114.8451.604
    I2DPCA(120×4)3.1035.3617.3816.22514.6937.77821.9388.96329.03911.181
    IRC2DPCA(8×8)7.1590.84617.0471.04334.4131.26651.5771.44365.5101.669
    下载: 导出CSV

    表 6  物块数据集处理的所需内存对比(kB)

    算法L=10L=25L=50L=75L=100
    特征提取分类识别特征提取分类识别特征提取分类识别特征提取分类识别特征提取分类识别
    2DPCA(120×4)[8]16.65870.88937.58869.93572.75368.149107.94166.383143.17964.622
    RC2DPCA(8×8)[11]16.73611.35438.19911.42373.97711.227109.86710.805145.76410.612
    Angle-2DPCA(120×4)[12]16.09648.77416.09648.11816.08046.76816.08045.59616.08044.440
    BA2DPCA(8×8)[13]16.08021.64216.08821.14216.10420.5716.1220.50416.09620.036
    BDPCA(8×8)[10]16.37911.34537.04011.42771.66311.243106.43810.768141.16010.620
    IBDPCA(8×8)[17]8.83011.3828.49911.4038.48211.2188.47810.7808.48610.612
    I2DPCA(120×4)8.84770.8978.50369.9358.48668.1418.48666.3018.50364.602
    IRC2DPCA(8×8)8.51111.3508.50711.4198.48611.2438.53610.7978.51110.604
    下载: 导出CSV
  • 加载中
图(4)表(6)
计量
  • PDF下载量:  14
  • 文章访问数:  313
  • HTML全文浏览量:  199
文章相关
  • 通讯作者:  葛为民, geweimin@tjut.edu.cn
  • 收稿日期:  2018-12-10
  • 录用日期:  2019-05-06
  • 网络出版日期:  2019-05-22
通讯作者: 陈斌, bchen63@163.com
  • 1. 

    沈阳化工大学材料科学与工程学院 沈阳 110142

  1. 本站搜索
  2. 百度学术搜索
  3. 万方数据库搜索
  4. CNKI搜索

/

返回文章