【摘要】：圖像具有固有的二維空間結(jié)構(gòu),空間上鄰近的像素點(diǎn)通常具有相近的灰度值,意味著圖像具有局部光滑性.為對其特征抽取,傳統(tǒng)方法常將原始圖像拉成向量,造成空間結(jié)構(gòu)的破壞,由此直接基于圖像的2D特征抽取法應(yīng)運(yùn)而生.典型的如2DLDA,2DPCA,相比向量方法,計(jì)算復(fù)雜度顯著降低,但其操作針對的是圖像整行(或整列),導(dǎo)致空間光滑度過粗.為此,空間正則化通過在向量化空間中顯式地施加局部空間光滑彌補(bǔ)這一不足,由此獲得了比2D抽取法更優(yōu)的分類性能,但其遺傳了向量法的高計(jì)算代價(jià).最近,隱性空間正則化方法(implicit spatial regularization,ISR)提出利用圖像劃分與重組隱性地體現(xiàn)圖像局部光滑性,而后再利用現(xiàn)有2D方法抽取特征,使典型雙邊2DLDA性能優(yōu)于SSSL(一種典型的顯性空間正則化方法),但是,僅隱性地光滑缺乏顯式的強(qiáng)制約束力,其特征空間依然欠光滑,同時(shí)雙邊2DLDA由非凸問題獲得,計(jì)算耗時(shí)卻不能保證解的全局最優(yōu)性.鑒于此,提出一種結(jié)合顯性與隱性空間光滑的高效二維圖像判別特征抽取框架(2D-CISSE).其關(guān)鍵步驟是預(yù)先對圖像顯性地全局光滑,緊接著進(jìn)行ISR,既繼承了ISR的隱性光滑又強(qiáng)化了圖像局部光滑的顯式約束力,不僅可直接獲得全局最優(yōu)投影,同時(shí)該框架具有一般性,即現(xiàn)有大部分圖像光滑方法與2D特征抽取法均可嵌入其中.最后,通過在人臉數(shù)據(jù)集Yale,ORL,CMU PIE,AR以及手寫數(shù)字?jǐn)?shù)據(jù)集MNIST和USPS上的對比實(shí)驗(yàn)驗(yàn)證了2D-CISSE框架性能的優(yōu)越性與計(jì)算的高效性.
[Abstract]:The image has an inherent two-dimensional spatial structure, and the adjacent pixel points in space usually have similar gray values, which means that the image is locally smooth. In order to extract the features, the traditional methods often pull the original image into a vector, resulting in the destruction of the spatial structure, so the 2D feature extraction method based on the image emerges as the times require. Typical such as 2DLDA and 2DPCA, compared with vector method, the computational complexity is significantly reduced, but the operation is aimed at the whole row (or column) of the image, which leads to the smoothness of the space. For this reason, spatial regularization makes up for this deficiency by explicitly applying local space smoothness in vector space, and thus obtains better classification performance than 2D extraction method, but it inherits the high computational cost of vector method. Recently, the implicit spatial regularization method (implicit spatial regularization,ISR) proposed to use image partition and reconstruction to implicitly reflect the local smoothness of the image, and then use the existing 2D method to extract features. The performance of typical bilateral 2DLDA is better than that of SSSL (a typical explicit spatial regularization method). However, only implicit smoothness lacks explicit mandatory binding, and its feature space is still not smooth. At the same time, bilateral 2DLDA is obtained by non-convex problem. The calculation time is time consuming, but the global optimality of the solution can not be guaranteed. In view of this, an efficient two-dimensional image discriminant feature extraction framework (2D-CISSE) combining dominant and implicit spatial smoothness is proposed. The key step is to predominate the global smoothness of the image, and then ISR, inherits the implicit smoothness of ISR and strengthens the explicit binding force of local smoothness of the image, which can not only obtain the global optimal projection directly. At the same time, the framework is general, that is, most of the existing image smoothing methods and 2D feature extraction methods can be embedded in it. Finally, the advantages of 2D-CISSE framework and the computational efficiency of 2D-CISSE framework are verified by comparative experiments on face dataset Yale,ORL,CMU PIE,AR and handwritten digital dataset MNIST and USPS.
【作者單位】： 南京航空航天大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院;
【基金】：國家自然科學(xué)基金項(xiàng)目(61472186) 高等學(xué)校博士學(xué)科點(diǎn)專項(xiàng)科研基金項(xiàng)目(20133218110032)~~
【分類號】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 范燕,吳小俊,惠長坤,劉同明;人臉圖象特征抽取和識別的一種混合方法研究[J];華東船舶工業(yè)學(xué)院學(xué)報(bào)(自然科學(xué)版);2003年02期

2 蔣宗禮;徐學(xué)可;李帥;;文本分類中基于詞條聚合的特征抽取[J];哈爾濱工程大學(xué)學(xué)報(bào);2008年11期

3 劉永芹;劉永俊;常晉義;;彩色人臉鑒別特征抽取及識別[J];常熟理工學(xué)院學(xué)報(bào);2010年08期

4 楊茂龍;王遠(yuǎn)方;孫權(quán)森;夏德深;;偏最小二乘改進(jìn)算法與特征抽取[J];計(jì)算機(jī)工程與應(yīng)用;2011年01期

5 羅夏峰;明曙軍;劉永俊;;彩色人臉圖像鑒別特征抽取綜述[J];常熟理工學(xué)院學(xué)報(bào);2011年04期

6 肇祺;地震剖面層狀構(gòu)造的特征抽取和描述方法[J];清華大學(xué)學(xué)報(bào)(自然科學(xué)版);1985年02期

7 程永清;莊永明;楊靜宇;;基于矩陣相似度的圖象特征抽取和識別[J];計(jì)算機(jī)研究與發(fā)展;1992年11期

8 秦進(jìn),陳笑蓉,汪維家,陸汝占;文本分類中的特征抽取[J];計(jì)算機(jī)應(yīng)用;2003年02期

9 金忠,李士進(jìn),楊靜宇;人臉圖象的校準(zhǔn)與特征抽取[J];小型微型計(jì)算機(jī)系統(tǒng);2000年07期

10 楊健,楊靜宇,王正群,郭麗;一種組合特征抽取的新方法[J];計(jì)算機(jī)學(xué)報(bào);2002年06期

相關(guān)會議論文 前5條

1 鄧中亮;;雕刻型面的特征抽取機(jī)制與自動辯識[A];1998年中國智能自動化學(xué)術(shù)會議論文集（下冊）[C];1998年

2 郭宗睿;鄭義;;彩色圖象中人臉自動檢測定位和特征抽取[A];1998年中國智能自動化學(xué)術(shù)會議論文集（下冊）[C];1998年

3 曹三省;黃祥林;劉劍波;呂銳;;基于Gaussian模糊隸屬的媒體內(nèi)容對象特征抽取[A];第二屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會議(HHME2006)——第15屆中國多媒體學(xué)術(shù)會議(NCMT'06)論文集[C];2006年

4 孫萌;姚建民;呂雅娟;劉群;姜文斌;;基于最大熵短語重排序模型的特征抽取算法改進(jìn)[A];第五屆全國青年計(jì)算語言學(xué)研討會論文集[C];2010年

5 陳才扣;侯鈺;;自適應(yīng)監(jiān)督鑒別投影分析[A];中國自動化學(xué)會控制理論專業(yè)委員會A卷[C];2011年

相關(guān)博士學(xué)位論文 前10條

1 王丹丹;文本宏特征抽取與基于質(zhì)心的自動分類方法研究[D];哈爾濱工業(yè)大學(xué);2014年

2 楊萬扣;人臉識別中的部分特征抽取技術(shù)研究[D];南京理工大學(xué);2009年

3 趙才榮;基于圖嵌入與視覺注意的特征抽取[D];南京理工大學(xué);2011年

4 萬鳴華;基于圖嵌入的特征抽取與人臉識別研究[D];南京理工大學(xué);2011年

5 陳伏兵;人臉識別中鑒別特征抽取若干方法研究[D];南京理工大學(xué);2006年

6 吳小俊;圖象特征抽取與識別理論及其在人臉識別中的應(yīng)用[D];南京理工大學(xué);2002年

7 楊茂龍;相關(guān)投影分析在特征抽取中的應(yīng)用研究[D];南京理工大學(xué);2011年

8 嚴(yán)慧;線性特征抽取研究及其在人臉識別中的應(yīng)用[D];南京理工大學(xué);2011年

9 徐潔;基于子空間分析的特征抽取及分類方法研究[D];南京理工大學(xué);2012年

10 宋曉寧;圖像特征抽取的若干新方法研究[D];南京理工大學(xué);2011年

相關(guān)碩士學(xué)位論文 前10條

1 丁宇;基于核范數(shù)的特征抽取與人臉識別應(yīng)用研究[D];揚(yáng)州大學(xué);2015年

2 張江濱;彈性模糊系統(tǒng)建模研究[D];江南大學(xué);2016年

3 葉開;基于詞向量的在線評論話題及其特征抽取研究[D];電子科技大學(xué);2016年

4 王禹;基于線性回歸分析的特征抽取及分類應(yīng)用研究[D];揚(yáng)州大學(xué);2016年

5 丁鑫龍;基于重構(gòu)的鑒別特征抽取及人臉識別應(yīng)用研究[D];揚(yáng)州大學(xué);2013年

6 彭柳艷;中文網(wǎng)絡(luò)產(chǎn)品評論的特征抽取及觀點(diǎn)分類研究[D];武漢紡織大學(xué);2011年

7 范冠杰;基于動態(tài)反饋的特征抽取及人臉識別應(yīng)用研究[D];揚(yáng)州大學(xué);2014年

8 朱善宗;面向情感分析的特征抽取技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2009年

9 劉杰;基于特征抽取的企業(yè)文本數(shù)據(jù)索引系統(tǒng)的研究和實(shí)現(xiàn)[D];南京郵電大學(xué);2015年

10 于亮;科技文獻(xiàn)的文本特征抽取研究與應(yīng)用[D];北京郵電大學(xué);2009年

，

本文編號：2479028