CN104915686A - 一种基于nmf的目标检测方法 - Google Patents

Abstract

本发明公开一种基于NMF的目标检测方法，包括：采用NMF方法从目标正样本集V中提取特征部件字典W；根据特征部件字典W对训练样本集进行信息重构得到训练样本特征集；用得到的训练样本特征集来训练SVM分类器；根据特征部件字典W对测试样本集进行信息重构得到测试样本特征集；用上述SVM分类器对测试样本特征集中的特征进行分类，实现目标检测。本发明使用MNF方法得到目标关键部件的字典，根据该字典重构目标得到编码，并以此作为目标的特征训练SVM分类器，训练过程快速简单，字典的物理意义明确，且每个码字代表的部件在目标中的相对位置是明确的。

Description

一种基于NMF的目标检测方法

技术领域

本发明涉及计算机视觉技术领域，特别涉及目标检测技术领域，具体为一种基于NMF(non-negative matrix factorization非负矩阵分解)的目标检测方法。

背景技术

目标检测的前提和主要部分之一就是目标特征的提取。haar-like特征的提取过程非常简单，对边缘、条纹等图像特征十分敏感，但是haar-like特征只能在矩形区域内对像素点求和，而且像素点之间没有权重；DPM(Deformable Parts Model可变形部件模型)方法提出以来，一直是优秀的检测框架，但是DPM方法需要人工指定部件进行训练，并且在较高的检测准确度下需要付出较多的计算时间，不便应用到实时性较高的系统中。

VQ(Vector Quantization矢量量化)方法是选取最具代表性的若干样本作为字典，对任意样本均使用字典中的样本近似表示。这种表示方法简单，但是比较粗糙。这种方法中的字典码字意义就是一个具有代表性的样本。

PCA(Principal Component Analysis主成分分析)方法认为数据分布在原始空间的几个重要的维度上，这些维度上数据分散程度比较大，也就更能体现出数据之间的差异性。但是PCA得到的字典码字中，除了一个能代表“平均样本”的维度外(如平均脸)，其他码字的意义并不明确，而且重构信号的编码也是有正有负，物理意义不明确。

发明内容

针对上述问题本发明的目的在于提供一种训练过程简单，自带部件空间位置约束，对低分辨率适应性较好的基于NMF的目标检测方法，技术方案如下：

一种基于NMF的目标检测方法，包括：

采用NMF方法从目标正样本集V中提取特征部件字典W；

根据特征部件字典W对训练样本集进行信息重构得到训练样本特征集；

用得到的训练样本特征集来训练SVM分类器；

根据特征部件字典W对测试样本集进行信息重构得到测试样本特征集；

用上述SVM分类器对测试样本特征集中的特征进行分类，实现目标检测。

进一步的，所述信息重构的具体过程包括：

重构前的样本集表示为y，则y≈Wx，其中，x为中间样本特征集；

令F＝Pseudoinverse(W)＝W^-作为滤波器，近似求解出x，即x≈Fy；

将中间样本特征集x中小于0的元素置零，得到样本特征集x′，完成信息重构。

更进一步的，所述特征部件字典W的提取方法具体为：

对由m张大小为d×d的目标灰度图像构成的目标正样本集V进行非负矩阵分解：

V_n×m＝W_n×rH_r×m

其中，n＝d×d，V_n×m表示为目标正样本集，W_n×r表示特征部件字典，r表示高维特征降成的低维特征的维数，即特征部件字典W的维数，满足(n+m)r＜nm；H_r×m表示在特征部件字典W_n×r下组成V_n×m的系数，即权重矩阵，W_n×r、H_r×m中的元素为随机初始化为大于0的数；

进行带非负约束的优化：

$\max G=\underset{i=0}{\overset{n}{\Σ}}\underset{j=0}{\overset{m}{\Σ}}\[V_{ij}log{\left(WH\right)}_{ij}-{\left(WH\right)}_{ij}\]$

$s.t.\left\{\begin{array}{c}{W}_{\mathrm{ia}}>0(i=1,\mathrm{...},n,a=1,\mathrm{...},r)\\ H_{aj}>0(a=1,\mathrm{...},r,j=1,\mathrm{...},m)\end{array}\right.$

采用乘法迭代法做r次迭代计算出特征部件字典W_n×r和权重矩阵H_r×m，其中第a次迭代为

$W_{ia}\←W_{ia}\underset{j}{\Σ}\frac{V_{ij}}{{\left(WH\right)}_{ij}}{H}_{aj}$

$W_{ia}\←\frac{W_{ia}}{\underset{\mathrm{\μ}}{\Σ}{W}_{\mathrm{\μ}a}}$

$H_{aj}\←H_{aj}\underset{i}{\Σ}{W}_{ia}\frac{V_{ij}}{{\left(WH\right)}_{ij}}$

其中，μ为随机变量。

本发明的有益效果是：本发明使用MNF方法得到目标关键部件的字典，根据该字典重构目标得到编码，并以此作为目标的特征训练SVM分类器，训练过程快速简单，字典的物理意义明确，且每个码字代表的部件在目标中的相对位置是明确的。

附图说明

图1为本发明基于NMF的目标检测方法步骤流程框图。

具体实施方式

下面结合具体实施例对本发明做进一步说明，本方法只需要人工设定一个字典大小的参数，即字典的列数或者称为部件的个数，最终部件的生成由迭代完成，滤波器的生成只需求字典的伪逆矩阵即可。得到的部件也是在全局范围内的，这种计算方法自动提取目标中隐含的结构关系，而不需要人工规定部件的结构。部件和部件之间的空间结构关系也包含在滤波器中，不需要用参数去调整。

本发明提出的一种基于NMF的目标检测方法具体步骤包括：

1)采用NMF方法从目标正样本集V中提取特征部件字典W：

NMF方法是将一个高阶的非负矩阵分解成两个低阶非负矩阵的乘积，从而实现降维。如由m张大小为d×d(设d×d＝n)的目标灰度图像构成的目标正样本集V表示为V_n×m＝(v₁,…,v_m)，则第i个样本可用n维的列向量v_i表示：

对目标正样本集V进行非负矩阵分解：

V_n×m＝W_n×rH_r×m

其中，W_n×r表示特征部件字典，其每一列称为基，r表示高维特征降成的低维特征的维数，即特征部件字典W的维数，满足(n+m)r＜nm；H_r×m表示在特征部件字典W_n×r下组成V_n×m的系数，即权重矩阵，其每一列称为编码。W_n×r、H_r×m中的元素为随机初始化为大于0的数；提取目标关键部件的字典的任务就是计算(1)中的W_n×r。

进行带非负约束的优化：

$\max G=\underset{i=0}{\overset{n}{\Σ}}\underset{j=0}{\overset{m}{\Σ}}\[V_{ij}log{\left(WH\right)}_{ij}-{\left(WH\right)}_{ij}\]$

$s.t.\left\{\begin{array}{c}{W}_{ia}>0(i=1,\mathrm{...},n,a=1,\mathrm{...},r)\\ H_{aj}>0(a=1,\mathrm{...},r,j=1,\mathrm{...},m)\end{array}\right.$

采用乘法迭代法做r次迭代计算出特征部件字典W_n×r和权重矩阵H_r×m，其中第a次迭代为

$W_{ia}\←W_{ia}\underset{j}{\Σ}\frac{V_{ij}}{{\left(WH\right)}_{ij}}{H}_{aj}$

$W_{ia}\←\frac{W_{ia}}{\underset{\mathrm{\μ}}{\Σ}{W}_{\mathrm{\μ}a}}$

$H_{aj}\←H_{aj}\underset{i}{\Σ}{W}_{ia}\frac{V_{ij}}{{\left(WH\right)}_{ij}}$

其中，μ为随机变量。

因为有(n+m)r＜nm，得到的W，H均为较稀疏的矩阵，即0元素或者接近0元素的元素比较多，NMF方法可以在压缩数据同时提取目标的关键信息，满足特征提取。

2)根据特征部件字典W对训练样本集进行信息重构得到训练样本特征集：

上述步骤中我们已经得到了特征部件字典W，这里我们根据该字典重构目标得到编码。编码的计算可以表示为信息重构的过程，重构前的训练样本集表示为y，则

y＝Wx+e

其中训练样本集y为输入信号，重构系数x为中间训练样本特征集，e为重构误差。因为W是一个行数远大于列数的矩阵，即m》r，这样用特征x去表示样本y才达到压缩的目的。此过程中忽略重构误差，则有

$y\≈Wx=(w_1,w_2,\mathrm{...}{w}_r)*\left[\begin{array}{c}{x}_1\\ x_2\\ .\\ .\\ .\\ x_r\end{array}\right]$

若令F＝Pseudoinverse(W)＝W^-，构成滤波器，则可近似求解出x，即

$x\≈Fy=\left[\begin{array}{c}{f}_1\\ .\\ .\\ .\\ f_n\end{array}\right]y$

F的每一行可以理解为一个滤波器，将F的每一行重排列为d×d的矩阵，即表示不同像素点的灰度值的加权和。通过上述公式计算到的中间训练样本特征集x中存在小于零的元素，从实验数据上看，小于零的数字置零对重构效果的影响不大。将特征集x中小于0的元素置零，即

$x_a=\left\{\begin{array}{cc}0,& x_a<0\\ x_a,& x_a\&GreaterEqual;0\end{array}\right.$

得到训练样本特征集x′，使信号的恢复过程物理意义更加明显。

3)用得到的训练样本特征集x′来训练SVM分类器。

4)根据特征部件字典W对测试样本集进行信息重构得到测试样本特征集。

其方法同重构训练样本集相同，即公式x≈Fy中的输入信号y为测试样本集；进一步用该方法求出解出的x′则为测试样本特征集。

5)用上述训练好的SVM分类器对测试样本特征集中的特征进行分类，即对测试样本集中样本进行分类，进而实现目标检测。

Claims (3)

1.一种基于NMF的目标检测方法，其特征在于，包括：

采用NMF方法从目标正样本集V中提取特征部件字典W；

根据特征部件字典W对训练样本集进行信息重构得到训练样本特征集；

用得到的训练样本特征集来训练SVM分类器；

根据特征部件字典W对测试样本集进行信息重构得到测试样本特征集；

用上述SVM分类器对测试样本特征集中的特征进行分类，实现目标检测。

2.根据权利要求1所述的基于NMF的目标检测方法，其特征在于，所述信息重构的具体过程包括：

重构前的样本集表示为y，则y≈Wx，其中，x为中间样本特征集；

令F＝Pseudoinverse(W)＝W^-作为滤波器，近似求解出x，即x≈Fy；

将中间样本特征集x中小于0的元素置零，得到样本特征集x′，完成信息重构。

3.根据权利要求1或2所述的基于NMF的目标检测方法，其特征在于，所述特征部件字典W的提取方法具体为：

对由m张大小为d×d的目标灰度图像构成的目标正样本集V进行非负矩阵分解：

V_n×m＝W_n×rH_r×m

其中，n＝d×d，V_n×m表示为目标正样本集，W_n×r表示特征部件字典，r表示高维特

征降成的低维特征的维数，即特征部件字典W的维数，满足(n+m)r＜nm；H_r×m表示在

特征部件字典W_n×r下组成V_n×m的系数，即权重矩阵，W_n×r、H_r×m中的元素为随机初始化

为大于0的数；

进行带非负约束的优化：

$\max G=\underset{i=0}{\overset{n}{\&Sigma;}}\underset{j=0}{\overset{m}{\&Sigma;}}\&lsqb;V_{ij}log{\left(WH\right)}_{ij}-{\left(WH\right)}_{ij}\&rsqb;$

$s.t.\left\{\begin{array}{c}{W}_{ia}>0(i=1,\mathrm{...},n,a=1,\mathrm{...},r)\\ H_{aj}>0(a=1,\mathrm{...},r,j=1,\mathrm{...},m)\end{array}\right.$

采用乘法迭代法做r次迭代计算出特征部件字典W_n×r和权重矩阵H_r×m，其中第a次迭代为

$W_{ia}\&LeftArrow;W_{ia}\underset{j}{\&Sigma;}\frac{V_{ij}}{{\left(WH\right)}_{ij}}{H}_{aj}$

$W_{ia}\&LeftArrow;\frac{W_{ia}}{\underset{\mathrm{\&mu;}}{\&Sigma;}{W}_{\mathrm{\&mu;}a}}$

$H_{aj}\&LeftArrow;H_{aj}\underset{i}{\&Sigma;}{W}_{ia}\frac{V_{ij}}{{\left(WH\right)}_{ij}}$

其中，μ为随机变量。