CN104915686A - 一种基于nmf的目标检测方法 - Google Patents
一种基于nmf的目标检测方法 Download PDFInfo
- Publication number
- CN104915686A CN104915686A CN201510388881.3A CN201510388881A CN104915686A CN 104915686 A CN104915686 A CN 104915686A CN 201510388881 A CN201510388881 A CN 201510388881A CN 104915686 A CN104915686 A CN 104915686A
- Authority
- CN
- China
- Prior art keywords
- feature
- dictionary
- target
- sample
- nmf
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
- G06V30/194—References adjustable by an adaptive method, e.g. learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
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
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:
Vn×m=Wn×rHr×m
其中,n=d×d,Vn×m表示为目标正样本集,Wn×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;Hr×m表示在特征部件字典Wn×r下组成Vn×m的系数,即权重矩阵,Wn×r、Hr×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:
采用乘法迭代法做r次迭代计算出特征部件字典Wn×r和权重矩阵Hr×m,其中第a次迭代为
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Vn×m=(v1,…,vm),则第i个样本可用n维的列向量vi表示:
对目标正样本集V进行非负矩阵分解:
Vn×m=Wn×rHr×m
其中,Wn×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;Hr×m表示在特征部件字典Wn×r下组成Vn×m的系数,即权重矩阵,其每一列称为编码。Wn×r、Hr×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Wn×r。
进行带非负约束的优化:
采用乘法迭代法做r次迭代计算出特征部件字典Wn×r和权重矩阵Hr×m,其中第a次迭代为
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
若令F=Pseudoinverse(W)=W-,构成滤波器,则可近似求解出x,即
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
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:
Vn×m=Wn×rHr×m
其中,n=d×d,Vn×m表示为目标正样本集,Wn×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;Hr×m表示在
特征部件字典Wn×r下组成Vn×m的系数,即权重矩阵,Wn×r、Hr×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:
采用乘法迭代法做r次迭代计算出特征部件字典Wn×r和权重矩阵Hr×m,其中第a次迭代为
其中,μ为随机变量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510388881.3A CN104915686A (zh) | 2015-07-03 | 2015-07-03 | 一种基于nmf的目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510388881.3A CN104915686A (zh) | 2015-07-03 | 2015-07-03 | 一种基于nmf的目标检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104915686A true CN104915686A (zh) | 2015-09-16 |
Family
ID=54084735
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510388881.3A Pending CN104915686A (zh) | 2015-07-03 | 2015-07-03 | 一种基于nmf的目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104915686A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105681790A (zh) * | 2016-01-08 | 2016-06-15 | 北京交通大学 | 图像集中的图像的编码方法和解码方法 |
CN110895705A (zh) * | 2018-09-13 | 2020-03-20 | 富士通株式会社 | 异常样本检测装置及其训练装置和训练方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101930548A (zh) * | 2010-06-24 | 2010-12-29 | 北京师范大学 | 一种基于独立成分分析算法的高空间分辨率影像的识别方法 |
CN102914308A (zh) * | 2012-10-24 | 2013-02-06 | 南京航空航天大学 | 一种基于新息正交性的抗野值联邦滤波方法 |
US20130262352A1 (en) * | 2012-03-29 | 2013-10-03 | Postech Academy-Industry Foundation | Apparatus and method for recognizing user activity |
CN104091151A (zh) * | 2014-06-30 | 2014-10-08 | 南京信息工程大学 | 基于Gabor特征提取和稀疏表示的车辆识别方法 |
CN104376303A (zh) * | 2014-11-18 | 2015-02-25 | 电子科技大学 | 一种低分辨率情况下的车辆成像方法 |
-
2015
- 2015-07-03 CN CN201510388881.3A patent/CN104915686A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101930548A (zh) * | 2010-06-24 | 2010-12-29 | 北京师范大学 | 一种基于独立成分分析算法的高空间分辨率影像的识别方法 |
US20130262352A1 (en) * | 2012-03-29 | 2013-10-03 | Postech Academy-Industry Foundation | Apparatus and method for recognizing user activity |
CN102914308A (zh) * | 2012-10-24 | 2013-02-06 | 南京航空航天大学 | 一种基于新息正交性的抗野值联邦滤波方法 |
CN104091151A (zh) * | 2014-06-30 | 2014-10-08 | 南京信息工程大学 | 基于Gabor特征提取和稀疏表示的车辆识别方法 |
CN104376303A (zh) * | 2014-11-18 | 2015-02-25 | 电子科技大学 | 一种低分辨率情况下的车辆成像方法 |
Non-Patent Citations (3)
Title |
---|
刘维湘: "非负矩阵分解及其在模式识别中的应用", 《科学通报》 * |
方蔚涛等: "二维投影非负矩阵分解算法及其在人脸识别中的应用", 《自动化学报》 * |
龙泓琳等: ""基于非负矩阵分解的SAR图像目标识别"", 《电子学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105681790A (zh) * | 2016-01-08 | 2016-06-15 | 北京交通大学 | 图像集中的图像的编码方法和解码方法 |
CN105681790B (zh) * | 2016-01-08 | 2019-01-22 | 北京交通大学 | 图像集中的图像的编码方法和解码方法 |
CN110895705A (zh) * | 2018-09-13 | 2020-03-20 | 富士通株式会社 | 异常样本检测装置及其训练装置和训练方法 |
CN110895705B (zh) * | 2018-09-13 | 2024-05-14 | 富士通株式会社 | 异常样本检测装置及其训练装置和训练方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110209823B (zh) | 一种多标签文本分类方法及系统 | |
CN111626330B (zh) | 基于多尺度特征图重构和知识蒸馏的目标检测方法与系统 | |
CN107784320B (zh) | 基于卷积支持向量机的雷达一维距离像目标识别方法 | |
KR101865102B1 (ko) | 시각 문답을 위한 시스템 및 방법 | |
CN106650813B (zh) | 一种基于深度残差网络和lstm的图像理解方法 | |
CN111079683B (zh) | 基于卷积神经网络的遥感图像云雪检测方法 | |
CN110175641B (zh) | 图像识别方法、装置、设备和存储介质 | |
CN109657707B (zh) | 一种基于观测矩阵变换维度的图像分类方法 | |
CN111523546A (zh) | 图像语义分割方法、系统及计算机存储介质 | |
CN101826161B (zh) | 一种基于局部近邻稀疏表示的目标识别方法 | |
CN106778807A (zh) | 基于公共字典对和类依赖字典对的细粒度图像分类方法 | |
CN105335756A (zh) | 一种鲁棒学习模型与图像分类系统 | |
CN104298977A (zh) | 一种基于不相关性约束的低秩表示人体行为识别方法 | |
CN104123560A (zh) | 基于相位编码特征和多度量学习的模糊人脸图像验证方法 | |
CN108446766A (zh) | 一种快速训练堆栈自编码深度神经网络的方法 | |
CN112560966B (zh) | 基于散射图卷积网络的极化sar图像分类方法、介质及设备 | |
US11620514B2 (en) | Training artificial neural networks with reduced computational complexity | |
CN115147607A (zh) | 一种基于凸优化理论的抗噪声零样本图像分类方法 | |
CN103903010A (zh) | 基于稀疏特征和邻域同属性的高光谱图像分类方法 | |
CN106803105B (zh) | 一种基于稀疏表示字典学习的图像分类方法 | |
CN104915686A (zh) | 一种基于nmf的目标检测方法 | |
CN104866905A (zh) | 一种基于beta过程的非参数稀疏张量字典的学习方法 | |
CN112215241B (zh) | 一种基于小样本学习的图像特征提取装置 | |
CN109815889B (zh) | 一种基于特征表示集的跨分辨率人脸识别方法 | |
CN116956997A (zh) | 用于时序数据处理的lstm模型量化重训练方法、系统及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150916 |
|
WD01 | Invention patent application deemed withdrawn after publication |