Корреляция спектральных мод при ортогональных преобразованиях dct,gdct




НазваниеКорреляция спектральных мод при ортогональных преобразованиях dct,gdct
страница5/8
Дата26.04.2013
Размер0.59 Mb.
ТипДокументы
1   2   3   4   5   6   7   8

Литература

  1. M. Turk, A.Pentland. Eigenfaces for recognition // Journal of cognitive neuroscience, Volume 3, Number 1 // 1991, Massachusetts Institute of Technology.

  2. Chengjun Liu, Harry Wechsler. Comparative Assessment of Independent Component Analysis (ICA) for face recognition // AVBPA’99, Washington D. C. USA, March 22-24, 1999.

  3. Juwei Lu, Kostantinos N. Plataniotis, Anastasios N. Venetsanopoulos. Face Recognition Using LDA-Based Algorithms // IEEE TRANSACTIONS ON NEURAL NETWORKS, VOL. 14, NO. 1, JANUARY 2003.

  4. Peter N. Belhumeur, Joao P. Hespanha, David J. Kriegman. Eigenfaces vs. Fisherfaces: recognition using class specific linear projection // European conference on computer vision, 1996.


RESEARCHING OF QUALITY OF FACE RECOGNITION ALGORITHMS BASED ON PCA, ICA AND LDA

Kandrin A., Smolyakov A.

Yaroslavl State University of P.G.Demidov

150000, Russia, Yaroslavl, Sovetskaya St., 14.

Phone: (4852) 79-77-75. E-mail: dcslab@uniyar.ac.ru


The purpose of this work is researching and comparing of efficiency of algorithms based on principal component analysis, independent component analysis and linear discriminant analysis in the problem of face recognition.

The core of principal component analysis (PCA) - the transition to the new feature space whose dimension is much smaller than the dimension of the original space. Features in the new space are chosen for reasons of greatest variability of the input data. Thus, the method of principal components not only provides more informative features, but also significantly improves the performance of recognition systems.

Independent component analysis can be regarded as a generalization of principal component analysis. ICA accounts for higher order statistics and it identifies the independent source components from their linear mixtures. The main stage of transition to the space of independent components is the operation of whitening.

Linear discriminant analysis (The Fisher’s Linear Discriminant, LDA) is intended for select the projection of images on the feature space in such a way as to minimize the intraclass and maximize the interclass distances in feature space. Getting informative features in this case requires a large computational cost, therefore the process is conveniently carried out in two stages. In the first stage of the algorithm dimension of feature space decreases by principal component analysis, and the second discriminant analysis is implemented.

All methods were implemented and tested in MATLAB. The test base consists of 400 photographs of faces of different people (40 men, with 10 images each), made in full face with different angles. All grayscale images are presented to one size photos of each person with different facial expressions, small changes in the illumination, small changes the camera angle, presence / absence of glasses, etc. Part of the images, depending on the experimental conditions used for studying, the rest - for testing. To check the quality of recognition in conditions close to real, work of researched algorithms tested in the presence of noise of various types in the test images. The results of experiment are presented in tables and graphs.


Literature

  1. Chengjun Liu, Harry Wechsler. Comparative Assessment of Independent Component Analysis (ICA) for face recognition // AVBPA’99, Washington D. C. USA, March 22-24, 1999.

  2. Juwei Lu, Kostantinos N. Plataniotis, Anastasios N. Venetsanopoulos. Face Recognition Using LDA-Based Algorithms // IEEE TRANSACTIONS ON NEURAL NETWORKS, VOL. 14, NO. 1, JANUARY 2003.

  3. Peter N. Belhumeur, Joao P. Hespanha, David J. Kriegman. Eigenfaces vs. Fisherfaces: recognition using class specific linear projection // European conference on computer vision, 1996.






ПРИМЕНЕНИЕ ГЕНЕТИЧЕСКОГО АЛГОРИТМА ДЛЯ ПОСТРОЕНИЯ МНОГОКЛАССОВОГО КЛАССИФИКАТОРА НА ОСНОВЕ МЕТОДА ОПОРНЫХ ВЕКТОРОВ


Смоляков А.В., Скопинцев Я.М., Федорин Д.В., Кандрин А.Е.


Ярославский государственный университет им. П.Г. Демидова


В реальных системах распознавания количество классов значительно больше двух, что приводит к разработке алгоритмов идентификации, обладающих многоклассовостью. Одним из них является модификация классического алгоритма SVM – многоклассовый метод опорных векторов (MSVM).

Многоклассовый метод опорных векторов строится путем многократного обучения системы на тестовой базе изображений объектов по двум принципам: «каждый с каждым» и «один против всех». В данной работе алгоритм MSVM строился по принципу «каждый с каждым», так как два класса разделить проще, чем один из них отделить от других.

При построении данного классификатора приходится сталкиваться с двумя основными проблемами:

  1. Наличие в признаковом представлении изображений объектов неинформативных составляющих, замедляющих и ухудшающих работу алгоритма;

  2. Выбор наиболее подходящего ядра для алгоритма SVM и подбор его параметров.

Классический метод опорных векторов изначально предназначен для разделения объектов в признаковом пространстве линейной гиперплоскостью. Но в реальных ситуациях построение такой гиперплоскости невозможно, поэтому в алгоритм SVM искусственно вводятся так называемые ядра, позволяющие строить нелинейные разделяющие гиперплоскости.

Для решения вышеобозначенных проблем в работе предлагается использовать генетический алгоритм, который эффективно работает с большими пространствами при ограниченном числе условий [3].

Вычисление отличительных признаков.

В работе вычисляются следующие отличительные признаки: статистические характеристики (вейвлет-моменты) [4], текстурные [1] (коэффициент корреляции, энергия, контраст и однородность) и признаки, характеризующие распределение цветов на изображении (статистические моменты каждого цветового канала) [2].

Такой набор признаков предполагается наиболее полно и качественно описывающим трехмерные объекты на цветных изображениях.

Выбор ядра для метода опорных векторов.

В работе использовалось ядро полиномиального вида: , (1)

где – параметры ядра, подбираемые с помощью генетического алгоритма.

Анализ эффективности работы многоклассового метода опорных векторов.

Алгоритм классификации был реализован в среде программирования Microsoft Visual Studio с применением библиотеки OpenCV, откуда была взята реализация метода опорных векторов.

Для проведения экспериментов использовалась база изображений COIL-100. Она состоит из ста объектов, различающихся по геометрической форме и цвету, по 72 изображения каждого объекта. Выбор данной базы обусловлен также тем, что объекты сфотографированы с различных углов, от 0 до 360 градусов, что позволяет достичь некоторой инвариантности положения объекта относительно камеры при проведении экспериментов. Для обучения классификатора использовалась одна часть изображений, для тестирования – другая. То есть, при распознавании использовались изображения объектов, снятые под другими углами, нежели при обучении классификатора.



Рис. 1. Схема экспериментов с алгоритмом распознавания.


На рисунке 1 представлена схема, согласно которой проводилось тестирование предлагаемого алгоритма распознавания.

Для адекватной оценки эффективности работы предлагаемого алгоритма распознавания в рамках данной работы проводилось исследование работы классификатора, построенного на основе многоклассового метода опорных векторов с линейным ядром.

Количество образцов для обучения

Номер класса

1

2

3

4

5

6

7

8

9

10

12

94,44

63,89

94,44

66,67

66,67

100

94,44

52,78

38,89

66,67

94,44

61,11

94,44

66,67

72,22

97,22

91,67

58,33

47,22

44,44

24

100

80,56

100

86,11

88,89

100

100

72,22

83,33

80,56

100

77,78

100

77,78

83,33

100

91,67

80,56

86,11

72,22

36

100

86,11

100

88,89

69,44

100

100

72,22

83,33

83,33

100

83,33

100

86,11

75

100

94,44

66,67

80,56

75

Табл. 1. Результаты тестирования алгоритма классификации с линейным ядром


В таблице 1 представлены результаты тестирования такого алгоритма. В ячейках таблицы верхние цифры показывают процент правильных классификаций без применения алгоритма отбора информативных признаков, а нижние – процент правильных классификаций, когда для отбора информативных признаков применялся генетический алгоритм.

Далее проводилось исследование работы алгоритма классификации с использованием метода опорных векторов с нелинейным ядром вида (1). При этом обучение проводилось двумя разными способами:

  1. С помощью генетического алгоритма подбирались только параметры ядра (SVM+GA_param);

  2. С помощью генетического алгоритма отбирались информативные признаки и производился подбор параметров ядра (SVM+GA_param+GA_feat).

Результаты тестирования приведены в таблице 2.

Количество образцов для обучения

Номер класса

1

2

3

4

5

6

7

8

9

10

12

94,44

66,67

100

69,44

61,11

100

94,44

50

44,44

66,67

91,67

63,89

88,89

69,44

63,89

97,22

97,22

44,44

44,44

55,56

24

100

86,11

100

88,89

86,11

100

97,22

66,67

83,33

86,11

100

77,78

100

80,56

83,33

100

97,22

77,78

83,33

83,33

36

100

86,11

100

88,89

69,44

100

100

75

86,11

83,33

97,22

86,11

100

83,33

63,89

100

100

83,33

80,56

75

Табл. 2. Результаты тестирования алгоритма классификации с полиномиальным ядром


В ячейках таблицы верхняя цифра показывает процент правильных классификаций для случая SVM+GA_param, вторая цифра – процент правильных классификаций для случая SVM +GA_param+GA_feat.

Из приведенных выше таблиц 1, 2 видно, что вероятность распознавания колеблется в зависимости от класса объектов. Это можно объяснить некоторой остающейся зависимостью от внешнего вида объекта, а также особенностями многоклассового метода опорных векторов и генетического алгоритма.

Как видно из таблицы, применение нелинейного ядра для метода опорных векторов позволяет качественнее разделять объекты в пространстве признаков, что повышает процент правильных распознаваний. Более того, генетический алгоритм сокращает количество используемых информативных признаков в 2 раза, что позволяет увеличить быстродействие алгоритма распознавания.

Литература.

  1. Haralick R.M., Shanmugam K. and Dinstein I.H. Textural features for image classification // IEEE Trans. Syst. Man Cybernet. 1973 V. 3. P. 610-621.

  2. Sticker M.A. and Orengo M. Similarity of color images // Proceedings of the Storage and Retrieval for Image and Video Databases. 1995. Feb. 9-9, San Jose, CA., USA. P. 381-392.

  3. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы // Пер. с польского И. Д. Рудинского. Москва: Горячая линия - Телеком. 2006

  4. Смоляков А.В., Кандрин А.Е., Скопинцев Я.М. Распознавание двумерных образов на основе инвариантных к поворотам моментов // Докл. 10-й междунар. конф. «Цифровая обработка сигналов и ее применение» (DSPA-2008), Москва, 2008. Т.2. С. 445-448.

  5. Смоляков А.В., Скопинцев Я.М., Кандрин А.Е. Распознавание объектов на цветных изображениях на основе обобщенных признаков // Вестн. Яросл. гос. ун-та. Сер. Естественные и технические науки. 2009. № 1. С. 87-91.

1   2   3   4   5   6   7   8

Похожие:

Корреляция спектральных мод при ортогональных преобразованиях dct,gdct icon21021, г. Винница, а/я 1996 тел. (+38 0432)57-95-80, факс (+38 0432)27-56-29
Т-50, т-60, лтз-145, лтз-60АБ, лтз-155, т-40м-с1,С2,Т-40Ам-с1,С2, т-40АНм-с1 дт-75мл и мод., дт-75Т и мод., т-70С, т-70В, т-90С,...
Корреляция спектральных мод при ортогональных преобразованиях dct,gdct iconОфициальный представитель ООО “Титан-2004” официальный представитель ООО “Гидравлика-Трейд”
Т-25 и мод., Т-30 и мод., Втз-2048 и мод., Втз-2032 и мод., Т- 45 и мод., Втз-30СШ
Корреляция спектральных мод при ортогональных преобразованиях dct,gdct iconЛекція №2 Особливості реставрації бічної групи зубів
Пропонована нами стратегія умовно позначена як мод — О, де мод — мезіально-оклюзійно-дистальний дефект, а о — оклюзійний дефект коронки...
Корреляция спектральных мод при ортогональных преобразованиях dct,gdct iconСанкт-Петербургский Государственный Политехнический Университет кафедра национальная безопасность программа учебного курса «Подготовка к егэ по математике»
Решение квадратных уравнений; теорема Виета, применение ее при решении квадратных уравнений и в тождественных преобразованиях; разложение...
Корреляция спектральных мод при ортогональных преобразованиях dct,gdct iconУрок алгебры в 9 классе по теме Корень n-й степени и история г. Нарьян-Мара
Цель урока: Закрепить знания учащимися свойств корня n-й степени и научить применять их при вычисле­ниях и преобразованиях, повторить...
Корреляция спектральных мод при ортогональных преобразованиях dct,gdct iconМетодические указания к выполнению курсового проекта по дисциплине «основы менеджмента»
Поэтому при стратегических преобразованиях необходимо принимать во внимание множество ситуационных факторов, значительное внимание...
Корреляция спектральных мод при ортогональных преобразованиях dct,gdct iconДимаки А. В., Светлаков А. А. Аппроксимация плотностей распределений случайных величин с применением ортогональных полиномов Чебышева-Эрмита

Корреляция спектральных мод при ортогональных преобразованиях dct,gdct iconИнтернет ссылки
Самостоятельная работа s11. Создание чертежа ортогональных и аксонометрической проекций простой детали в «Компас-3D»
Корреляция спектральных мод при ортогональных преобразованиях dct,gdct iconА. Н. Андрианов, “Дзета-функции ортогональных групп целочисленных положительно-определённых квадратичных форм,” Успехи Мат. Наук, 61 (2006), вып. 6, стр. 3-44

Корреляция спектральных мод при ортогональных преобразованиях dct,gdct iconИсследование движения проводящего твердого тела в электромагнитном поле
Новые методы в теории спектральных последовательностей, связанных с действиями конечных групп
Разместите кнопку на своём сайте:
Библиотека


База данных защищена авторским правом ©lib.znate.ru 2014
обратиться к администрации
Библиотека
Главная страница