基于卷积的主成分分析特征提取算法研究
发布时间：2021-01-28 14:48
随着人工智能、机器学习的不断发展,特征提取与选择技术广泛应用在图像处理、模式识别和数据挖掘等领域。在模式识别中,特征提取与选择是极为重要的一个步骤,特征提取与选择的好坏直接影响着分类识别的效果。特征提取与选择是常用的降维算法,通过选择最有效的特征来表示高维的原始数据,可以去除数据间的冗余,实现特征空间维数的压缩。主成分分析（PCA）是一个重要的特征子空间学习方法,该方法是让原始样本点经过一个线性变换投影到一个低维空间中去,从而降低数据维数。在一幅图像中,相邻的像素联系较为紧密,而距离较远的像素相关性则较弱。卷积神经网络利用了图像像素这一空间特性,卷积层与前一层的连接方式是局部连接,并且共享权值,这样大大减少了网络中的连接参数的数目,提高了网络的学习效率。而目前常用的特征提取方法是基于整幅图像得到的全局特征,没有充分利用图像像素之间的空间特性。考虑到上述问题,受卷积神经网络的启发,本文提出了一种基于卷积的主成分分析人脸特征提取的新方案。该方法是将图像分块,使用PCA-L1方法求得各个块位置的投影矩阵,对每个块位置,选择卷积模板提取得到局部特征,再将局部特征综合起来提取全局特征。最后提取得...
【文章来源】：北京工业大学北京市 211工程院校
【文章页数】：41 页
【学位级别】：硕士
【部分图文】：
图２－２、一幅图像分块组合例子＿??
域的值??？随机池化（Ｓｔｏｃｈａｓｔｉｃ－ｐｏｏｌｉｎｇ）：：对池化窗中前像素值随机赋＿予概率值并使池??化窗口概率和为１，再随机取值作为该区域的值。例如图２－５显示了三种池化方法??池化结果，这里池化窗Ｈ大小是２ｘ２，池化窗Ｐ移动步长是２。??Ｍａｘ?Ｐｏｏｌｉｎｇ?？??Ｋｅｒｎｅｌ?ｓｉｚｅ：?２ｘ２?Ｓｔｒｉｄｅ：２?４?１－４??３?６?１４?Ｍｅａｎ?Ｐｏｏｌｉｎｇ?’??４?７?７?８?２．５?２．５??１＿了飞１????０．１５?０．３０?０．０５?０．２０??４?ｒ￣］－￣ｒｕｉｎ?随机?￣??｜?概率矩阵（Ｋ２０?０．３５?０．３５?０．４０?ｐＱＱｌｉｎｇ?６?８??｜?０．２０＇?｜?０．２０?｜?０．１０?０．４０?｜?２?｜?３??０．２０?０．４０?０．３０?０．４０??图２－５三种池化操作??Ｆｉｇ．２－５?Ｔｈｒｅｅ?ｋｉｎｄｓ?ｏｆ?ｐｏｏｌｉｎｇ?ｏｐｅｒａｔｉｏｎｓ??重叠池化重曼池化与一般池化不同的是所选的相邻池化窗ｐ之间会有重叠??区域。在文献［５１］中，作者使用了童叠池化，其他的设置都不变的情况下，ｔｏｐ－１??和ｔｏｐ－５的错ｉ吴率分别减少了?０．４％和０．３％。??（４）
?（３－１）??＼?Ａｐ＼?Ａｐ２?？？？?Ａｐｑ?ｙ??其中ａ，７?ｅ?气／?＝?ｌ，２，…ｊ?＝?ｌ，２，．．．４），这些小块覆盖了整幅图像，图３－１给出??了一个大小为８?ｘ?８的图像非童叠分块的例于。??Ａ（ｌ，ｌ）?Ａ（ｌ，２）?Ａ（ｌ，３）?Ａ（ｌ，４）难５）?Ａ〔１，Ｓ）?Ａ（ｌ，７）?Ａ（ｌ，８）??Ａ（２，ｌ）?Ａ（２』２）?Ａ（２，３）?Ａ（２，４）?Ａ（２，５）?Ａ〔２，６）?Ａ（２，７）?Ａ（２，８）??Ａ（３，ｌ）?Ａ（３，２）?Ａ（３，３）?Ａ（３，４）?Ａ（３，５）?Ａ（３，７）?Ａ（３，８）??Ａ（４，ｌ）?Ａ（４，２）?Ａ（４，３）?Ａ（４，４）?Ａ（４，５）?Ａ（４，６）?Ａ（４，７）?Ａ（４，８）??Ａ（５，ｌ）?Ａ（５，２）?Ａ（５，４）?Ａ（５，５）?Ａ（５，７）?Ａ（５．，８）??Ａ（６，ｌ）?Ａ（６，２）?Ａ（６，３）?Ａ（６，４）?Ａ（６，６）?Ａ（６，７）?Ａ（６，８）??Ａ（７，ｌ）?Ａ（７』２）?Ａ（７，３）?Ａ（７，４）?Ａ（７，５）?Ａ〔７，Ｓ）?Ａ（７，７）?Ａ（７，８）??Ａ（８
【参考文献】：
期刊论文
[1]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[2]一种基于改进遗传算法的神经网络优化算法研究[J]. 刘浩然,赵翠香,李轩,王艳霞,郭长江. 仪器仪表学报. 2016(07)
[3]神经网络在计算机网络安全评价中的应用研究[J]. 李京. 电脑知识与技术. 2016(04)
[4]神经网络七十年:回顾与展望[J]. 焦李成,杨淑媛,刘芳,王士刚,冯志玺. 计算机学报. 2016(08)
[5]基于最小信息熵损的KLPP算法在化工监控中的应用[J]. 袁延江,康德礼,李秀喜. 计算机与应用化学. 2014(09)
[6]基于K-L变换的人脸识别技术的探讨[J]. 杜秋. 电子世界. 2014(01)
[7]基于L1范数主成分分析的颅脑图像恢复[J]. 赵海峰,于雪敏,邹际祥,孙登第. 计算机技术与发展. 2014(01)
[8]一种基于L1范数的主成分分析优化算法及应用[J]. 刘丽敏,樊晓平,廖志芳. 小型微型计算机系统. 2013(01)
[9]基于统计学的最近邻查询中维数灾难的研究[J]. 薄树奎,李盛阳,朱重光. 计算机工程. 2006(21)
[10]基于模块2DPCA的人脸识别方法[J]. 陈伏兵,陈秀宏,张生亮,杨静宇. 中国图象图形学报. 2006(04)
硕士论文
[1]高分辨率光学遥感图像舰船检测研究[D]. 刘昱龙.厦门大学 2017
[2]人脸识别中特征提取算法的研究及应用[D]. 黄燕琪.南昌航空大学 2015
[3]主成分分析法研究及其在特征提取中的应用[D]. 陈佩.陕西师范大学 2014
[4]基于机器视觉的大张印刷质量光电检查系统研究[D]. 潘明.电子科技大学 2011
本文编号：3005184
【文章来源】：北京工业大学北京市 211工程院校
【文章页数】：41 页
【学位级别】：硕士
【部分图文】：
图２－２、一幅图像分块组合例子＿??
域的值??？随机池化（Ｓｔｏｃｈａｓｔｉｃ－ｐｏｏｌｉｎｇ）：：对池化窗中前像素值随机赋＿予概率值并使池??化窗口概率和为１，再随机取值作为该区域的值。例如图２－５显示了三种池化方法??池化结果，这里池化窗Ｈ大小是２ｘ２，池化窗Ｐ移动步长是２。??Ｍａｘ?Ｐｏｏｌｉｎｇ?？??Ｋｅｒｎｅｌ?ｓｉｚｅ：?２ｘ２?Ｓｔｒｉｄｅ：２?４?１－４??３?６?１４?Ｍｅａｎ?Ｐｏｏｌｉｎｇ?’??４?７?７?８?２．５?２．５??１＿了飞１????０．１５?０．３０?０．０５?０．２０??４?ｒ￣］－￣ｒｕｉｎ?随机?￣??｜?概率矩阵（Ｋ２０?０．３５?０．３５?０．４０?ｐＱＱｌｉｎｇ?６?８??｜?０．２０＇?｜?０．２０?｜?０．１０?０．４０?｜?２?｜?３??０．２０?０．４０?０．３０?０．４０??图２－５三种池化操作??Ｆｉｇ．２－５?Ｔｈｒｅｅ?ｋｉｎｄｓ?ｏｆ?ｐｏｏｌｉｎｇ?ｏｐｅｒａｔｉｏｎｓ??重叠池化重曼池化与一般池化不同的是所选的相邻池化窗ｐ之间会有重叠??区域。在文献［５１］中，作者使用了童叠池化，其他的设置都不变的情况下，ｔｏｐ－１??和ｔｏｐ－５的错ｉ吴率分别减少了?０．４％和０．３％。??（４）
?（３－１）??＼?Ａｐ＼?Ａｐ２?？？？?Ａｐｑ?ｙ??其中ａ，７?ｅ?气／?＝?ｌ，２，…ｊ?＝?ｌ，２，．．．４），这些小块覆盖了整幅图像，图３－１给出??了一个大小为８?ｘ?８的图像非童叠分块的例于。??Ａ（ｌ，ｌ）?Ａ（ｌ，２）?Ａ（ｌ，３）?Ａ（ｌ，４）难５）?Ａ〔１，Ｓ）?Ａ（ｌ，７）?Ａ（ｌ，８）??Ａ（２，ｌ）?Ａ（２』２）?Ａ（２，３）?Ａ（２，４）?Ａ（２，５）?Ａ〔２，６）?Ａ（２，７）?Ａ（２，８）??Ａ（３，ｌ）?Ａ（３，２）?Ａ（３，３）?Ａ（３，４）?Ａ（３，５）?Ａ（３，７）?Ａ（３，８）??Ａ（４，ｌ）?Ａ（４，２）?Ａ（４，３）?Ａ（４，４）?Ａ（４，５）?Ａ（４，６）?Ａ（４，７）?Ａ（４，８）??Ａ（５，ｌ）?Ａ（５，２）?Ａ（５，４）?Ａ（５，５）?Ａ（５，７）?Ａ（５．，８）??Ａ（６，ｌ）?Ａ（６，２）?Ａ（６，３）?Ａ（６，４）?Ａ（６，６）?Ａ（６，７）?Ａ（６，８）??Ａ（７，ｌ）?Ａ（７』２）?Ａ（７，３）?Ａ（７，４）?Ａ（７，５）?Ａ〔７，Ｓ）?Ａ（７，７）?Ａ（７，８）??Ａ（８
【参考文献】：
期刊论文
[1]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[2]一种基于改进遗传算法的神经网络优化算法研究[J]. 刘浩然,赵翠香,李轩,王艳霞,郭长江. 仪器仪表学报. 2016(07)
[3]神经网络在计算机网络安全评价中的应用研究[J]. 李京. 电脑知识与技术. 2016(04)
[4]神经网络七十年:回顾与展望[J]. 焦李成,杨淑媛,刘芳,王士刚,冯志玺. 计算机学报. 2016(08)
[5]基于最小信息熵损的KLPP算法在化工监控中的应用[J]. 袁延江,康德礼,李秀喜. 计算机与应用化学. 2014(09)
[6]基于K-L变换的人脸识别技术的探讨[J]. 杜秋. 电子世界. 2014(01)
[7]基于L1范数主成分分析的颅脑图像恢复[J]. 赵海峰,于雪敏,邹际祥,孙登第. 计算机技术与发展. 2014(01)
[8]一种基于L1范数的主成分分析优化算法及应用[J]. 刘丽敏,樊晓平,廖志芳. 小型微型计算机系统. 2013(01)
[9]基于统计学的最近邻查询中维数灾难的研究[J]. 薄树奎,李盛阳,朱重光. 计算机工程. 2006(21)
[10]基于模块2DPCA的人脸识别方法[J]. 陈伏兵,陈秀宏,张生亮,杨静宇. 中国图象图形学报. 2006(04)
硕士论文
[1]高分辨率光学遥感图像舰船检测研究[D]. 刘昱龙.厦门大学 2017
[2]人脸识别中特征提取算法的研究及应用[D]. 黄燕琪.南昌航空大学 2015
[3]主成分分析法研究及其在特征提取中的应用[D]. 陈佩.陕西师范大学 2014
[4]基于机器视觉的大张印刷质量光电检查系统研究[D]. 潘明.电子科技大学 2011
本文编号：3005184
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3005184.html
