一種基于nmf的目標(biāo)檢測(cè)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及計(jì)算機(jī)視覺技術(shù)領(lǐng)域，特別涉及目標(biāo)檢測(cè)技術(shù)領(lǐng)域，具體為一種基于 NMF(non_negative matrix factorization非負(fù)矩陣分解）的目標(biāo)檢測(cè)方法。
【背景技術(shù)】
[0002] 目標(biāo)檢測(cè)的前提和主要部分之一就是目標(biāo)特征的提取。haar-like特征的提取過 程非常簡(jiǎn)單，對(duì)邊緣、條紋等圖像特征十分敏感，但是haar-like特征只能在矩形區(qū)域內(nèi)對(duì) 像素點(diǎn)求和，而且像素點(diǎn)之間沒有權(quán)重；DPM(Deformable Parts Model可變形部件模型） 方法提出以來，一直是優(yōu)秀的檢測(cè)框架，但是DPM方法需要人工指定部件進(jìn)行訓(xùn)練，并且在 較高的檢測(cè)準(zhǔn)確度下需要付出較多的計(jì)算時(shí)間，不便應(yīng)用到實(shí)時(shí)性較高的系統(tǒng)中。
[0003] VQ(Vector Quantization矢量量化）方法是選取最具代表性的若干樣本作為字 典，對(duì)任意樣本均使用字典中的樣本近似表示。這種表示方法簡(jiǎn)單，但是比較粗糙。這種方 法中的字典碼字意義就是一個(gè)具有代表性的樣本。
[0004] PCA(Principal Component Analysis主成分分析）方法認(rèn)為數(shù)據(jù)分布在原始空間 的幾個(gè)重要的維度上，這些維度上數(shù)據(jù)分散程度比較大，也就更能體現(xiàn)出數(shù)據(jù)之間的差異 性。但是PCA得到的字典碼字中，除了一個(gè)能代表"平均樣本"的維度外（如平均臉），其他 碼字的意義并不明確，而且重構(gòu)信號(hào)的編碼也是有正有負(fù)，物理意義不明確。

【發(fā)明內(nèi)容】

[0005] 針對(duì)上述問題本發(fā)明的目的在于提供一種訓(xùn)練過程簡(jiǎn)單，自帶部件空間位置約 束，對(duì)低分辨率適應(yīng)性較好的基于NMF的目標(biāo)檢測(cè)方法，技術(shù)方案如下：
[0006] 一種基于NMF的目標(biāo)檢測(cè)方法，包括：
[0007] 采用NMF方法從目標(biāo)正樣本集V中提取特征部件字典W ;
[0008] 根據(jù)特征部件字典W對(duì)訓(xùn)練樣本集進(jìn)行信息重構(gòu)得到訓(xùn)練樣本特征集；
[0009] 用得到的訓(xùn)練樣本特征集來訓(xùn)練SVM分類器；
[0010] 根據(jù)特征部件字典W對(duì)測(cè)試樣本集進(jìn)行信息重構(gòu)得到測(cè)試樣本特征集；
[0011] 用上述SVM分類器對(duì)測(cè)試樣本特征集中的特征進(jìn)行分類，實(shí)現(xiàn)目標(biāo)檢測(cè)。
[0012] 進(jìn)一步的，所述信息重構(gòu)的具體過程包括：
[0013] 重構(gòu)前的樣本集表示為y，則y ~ Wx，其中，X為中間樣本特征集；
[0014] 令F = Pseudoinverse (W)=『作為濾波器，近似求解出X，即X ~ Fy ;
[0015] 將中間樣本特征集X中小于0的元素置零，得到樣本特征集X'，完成信息重構(gòu)。
[0016] 更進(jìn)一步的，所述特征部件字典W的提取方法具體為：
[0017] 對(duì)由m張大小為dXd的目標(biāo)灰度圖像構(gòu)成的目標(biāo)正樣本集V進(jìn)行非負(fù)矩陣分解：
[0018] Vnxm= WnxrHrxm
[0019] 其中，n = dXd，Vnxm表示為目標(biāo)正樣本集，Wnxr表示特征部件字典，r表示高維特 征降成的低維特征的維數(shù)，即特征部件字典W的維數(shù)，滿足（n+m) r < nm ;^Xm表示在特征部 件字典Wnx,下組成V nXm的系數(shù)，即權(quán)重矩陣，W nX,、H,Xm中的元素為隨機(jī)初始化為大于O的 數(shù)；
[0020] 進(jìn)行帶非負(fù)約束的優(yōu)化：
[0021]
[0022]
[0023] 采用乘法迭代法做r次迭代計(jì)算出特征部件字典Wn>^和權(quán)重矩陣H A111，其中第a 次迭代為
[0024]
[0025]
[0026]
[0027] 其中，μ為隨機(jī)變量。
[0028] 本發(fā)明的有益效果是：本發(fā)明使用MNF方法得到目標(biāo)關(guān)鍵部件的字典，根據(jù)該字 典重構(gòu)目標(biāo)得到編碼，并以此作為目標(biāo)的特征訓(xùn)練SVM分類器，訓(xùn)練過程快速簡(jiǎn)單，字典的 物理意義明確，且每個(gè)碼字代表的部件在目標(biāo)中的相對(duì)位置是明確的。
【附圖說明】
[0029] 圖1為本發(fā)明基于NMF的目標(biāo)檢測(cè)方法步驟流程框圖。
【具體實(shí)施方式】
[0030] 下面結(jié)合具體實(shí)施例對(duì)本發(fā)明做進(jìn)一步說明，本方法只需要人工設(shè)定一個(gè)字典大 小的參數(shù)，即字典的列數(shù)或者稱為部件的個(gè)數(shù)，最終部件的生成由迭代完成，濾波器的生成 只需求字典的偽逆矩陣即可。得到的部件也是在全局范圍內(nèi)的，這種計(jì)算方法自動(dòng)提取目 標(biāo)中隱含的結(jié)構(gòu)關(guān)系，而不需要人工規(guī)定部件的結(jié)構(gòu)。部件和部件之間的空間結(jié)構(gòu)關(guān)系也 包含在濾波器中，不需要用參數(shù)去調(diào)整。
[0031] 本發(fā)明提出的一種基于NMF的目標(biāo)檢測(cè)方法具體步驟包括：
[0032] 1)采用NMF方法從目標(biāo)正樣本集V中提取特征部件字典W :
[0033] NMF方法是將一個(gè)高階的非負(fù)矩陣分解成兩個(gè)低階非負(fù)矩陣的乘積，從而實(shí)現(xiàn)降 維。如由m張大小為dXd(設(shè)dXd = n)的目標(biāo)灰度圖像構(gòu)成的目標(biāo)正樣本集V表示為 VnXm= (V 1，…，Vm)，則第i個(gè)樣本可用n維的列向量Vi表示：
[0034]
[0035] 對(duì)目標(biāo)正樣本集V進(jìn)行非負(fù)矩陣分解：
[0036] Vnxm= WnxrHrxm
[0037] 其中，Wnx,表示特征部件字典，其每一列稱為基，r表示高維特征降成的低維特征 的維數(shù)，即特征部件字典W的維數(shù)，滿足（n+m)r < nm ;H,Xm表示在特征部件字典Wnx,下組 成Vnxm的系數(shù)，即權(quán)重矩陣，其每一列稱為編碼。Wn>^、^Xm*的元素為隨機(jī)初始化為大于0 的數(shù)；提取目標(biāo)關(guān)鍵部件的字典的任務(wù)就是計(jì)算（1)中的Wnx^
[0038] 進(jìn)行帶非負(fù)約束的優(yōu)化：
[0039]
[0040]
[0041] 采用乘法迭代法做r次迭代計(jì)算出特征部件字典Wn>^和權(quán)重矩陣H A111，其中第a 次迭代為
[0042]
[0043]
[0044]
[0045] 其中，μ為隨機(jī)變量。
[0046] 因?yàn)橛校╪+m)r < nm，得到的W，H均為較稀疏的矩陣，即0元素或者接近0元素的 元素比較多，NMF方法可以在壓縮數(shù)據(jù)同時(shí)提取目標(biāo)的關(guān)鍵信息，滿足特征提取。
[0047] 2)根據(jù)特征部件字典W對(duì)訓(xùn)練樣本集進(jìn)行信息重構(gòu)得到訓(xùn)練樣本特征集：
[0048] 上述步驟中我們已經(jīng)得到了特征部件字典W，這里我們根據(jù)該字典重構(gòu)目標(biāo)得到 編碼。編碼的計(jì)算可以表示為信息重構(gòu)的過程，重構(gòu)前的訓(xùn)練樣本集表示為y，則
[0049] y = Wx+e
[0050] 其中訓(xùn)練樣本集y為輸入信號(hào)，重構(gòu)系數(shù)x為中間訓(xùn)練樣本特征集，e為重構(gòu)誤差。 因?yàn)閃是一個(gè)行數(shù)遠(yuǎn)大于列數(shù)的矩陣，即m》r，這樣用特征X去表示樣本y才達(dá)到壓縮的目 的。此過程中忽略重構(gòu)誤差，則有
[0051]
[0052] 若令F = Pseudoinverse (W) = F，構(gòu)成濾波器，則可近似求解出X，即
[0053]
[0054] F的每一行可以理解為一個(gè)濾波器，將F的每一行重排列為dX d的矩陣，即表示不 同像素點(diǎn)的灰度值的加權(quán)和。通過上述公式計(jì)算到的中間訓(xùn)練樣本特征集X中存在小于零 的元素，從實(shí)驗(yàn)數(shù)據(jù)上看，小于零的數(shù)字置零對(duì)重構(gòu)效果的影響不大。將特征集X中小于〇 的元素置零，BP
[0055]
[0056] 得到訓(xùn)練樣本特征集X'，使信號(hào)的恢復(fù)過程物理意義更加明顯。
[0057] 3)用得到的訓(xùn)練樣本特征集X'來訓(xùn)練SVM分類器。
[0058] 4)根據(jù)特征部件字典W對(duì)測(cè)試樣本集進(jìn)行信息重構(gòu)得到測(cè)試樣本特征集。
[0059] 其方法同重構(gòu)訓(xùn)練樣本集相同，即公式X ~ Fy中的輸入信號(hào)y為測(cè)試樣本集；進(jìn) 一步用該方法求出解出的？則為測(cè)試樣本特征集。
[0060] 5)用上述訓(xùn)練好的SVM分類器對(duì)測(cè)試樣本特征集中的特征進(jìn)行分類，即對(duì)測(cè)試樣 本集中樣本進(jìn)行分類，進(jìn)而實(shí)現(xiàn)目標(biāo)檢測(cè)。
【主權(quán)項(xiàng)】
1. 一種基于NMF的目標(biāo)檢測(cè)方法，其特征在于，包括： 采用NMF方法從目標(biāo)正樣本集V中提取特征部件字典W; 根據(jù)特征部件字典W對(duì)訓(xùn)練樣本集進(jìn)行信息重構(gòu)得到訓(xùn)練樣本特征集； 用得到的訓(xùn)練樣本特征集來訓(xùn)練SVM分類器； 根據(jù)特征部件字典W對(duì)測(cè)試樣本集進(jìn)行信息重構(gòu)得到測(cè)試樣本特征集； 用上述SVM分類器對(duì)測(cè)試樣本特征集中的特征進(jìn)行分類，實(shí)現(xiàn)目標(biāo)檢測(cè)。2. 根據(jù)權(quán)利要求1所述的基于NMF的目標(biāo)檢測(cè)方法，其特征在于，所述信息重構(gòu)的具體 過程包括： 重構(gòu)前的樣本集表示為y，則y~Wx，其中，x為中間樣本特征集； 令F=Pseudoinverse(W) =W-作為濾波器，近似求解出X，即x~Fy; 將中間樣本特征集x中小于0的元素置零，得到樣本特征集x'，完成信息重構(gòu)。3. 根據(jù)權(quán)利要求1或2所述的基于NMF的目標(biāo)檢測(cè)方法，其特征在于，所述特征部件字 典W的提取方法具體為： 對(duì)由m張大小為dXd的目標(biāo)灰度圖像構(gòu)成的目標(biāo)正樣本集V進(jìn)行非負(fù)矩陣分解： V"Xffl=WnXrHrXffl 其中，n=dXd，乂^^表示為目標(biāo)正樣本集，Wnh表示特征部件字典，r表示高維特 征降成的低維特征的維數(shù)，即特征部件字典W的維數(shù)，滿足（n+m)r<nm;札Xm表示在 特征部件字典Wnh下組成VnXm的系數(shù)，即權(quán)重矩陣，Wn>^、札Xm中的元素為隨機(jī)初始化 為大于0的數(shù)； 進(jìn)行帶非負(fù)約束的優(yōu)化：采用乘法迭代法做r次迭代計(jì)算出特征部件字典Wn>^和權(quán)重矩陣H，其中第a次迭 代為其中，y為隨機(jī)變量。
【專利摘要】本發(fā)明公開一種基于NMF的目標(biāo)檢測(cè)方法，包括：采用NMF方法從目標(biāo)正樣本集V中提取特征部件字典W；根據(jù)特征部件字典W對(duì)訓(xùn)練樣本集進(jìn)行信息重構(gòu)得到訓(xùn)練樣本特征集；用得到的訓(xùn)練樣本特征集來訓(xùn)練SVM分類器；根據(jù)特征部件字典W對(duì)測(cè)試樣本集進(jìn)行信息重構(gòu)得到測(cè)試樣本特征集；用上述SVM分類器對(duì)測(cè)試樣本特征集中的特征進(jìn)行分類，實(shí)現(xiàn)目標(biāo)檢測(cè)。本發(fā)明使用MNF方法得到目標(biāo)關(guān)鍵部件的字典，根據(jù)該字典重構(gòu)目標(biāo)得到編碼，并以此作為目標(biāo)的特征訓(xùn)練SVM分類器，訓(xùn)練過程快速簡(jiǎn)單，字典的物理意義明確，且每個(gè)碼字代表的部件在目標(biāo)中的相對(duì)位置是明確的。
【IPC分類】G06K9/66, G06K9/62
【公開號(hào)】CN104915686
【申請(qǐng)?zhí)枴緾N201510388881
【發(fā)明人】楊路, 程洪, 王潤(rùn)洲, 李靜
【申請(qǐng)人】電子科技大學(xué)
【公開日】2015年9月16日
【申請(qǐng)日】2015年7月3日