فضای رنگ ICA (تحلیل مولفه های مستقل) برای تشخیص الگو
24,500 تومانشناسه فایل: 5461
چکیده
این مقاله یک روش فضای رنگ تحلیل مولفه های مستقل (ICA) جدید را برای تشخیص الگو شرح میدهد. نوین و تازه بودن روش فضای رنگ ICA شامل دو چیز است:
- استخراج یک الگوی تصویر رنگی موثر بر اساس ICA
- و پیاده سازی و اجرای طبقه بندی تصویر رنگ کارآمد با استفاده از بازنمود تصویر رنگ مستقل و یک مدل فیشر پیشرفته(EFM).
اولا، روش فضای رنگی ICA فرض می کند که هر تصویر رنگی با سه تصویر منبع مستقل تعریف می شود که می توان آن را از طریق یک روش تفکیک منابع کور نظیر ICA استخراج کرد. بر خلاف فضای رنگ RGB، که در آن تصاویر مولفه های R، G و B با هم همبستگی دارند، روش فضای رنگ ICA، تصاویر سه مولفه ای C1، C2 و C3 را استخراج می کند که مستقل و غیر هم بسته می باشند.
دوما، سه تصویر رنگی مستقل برای تشکیل یک بردار الگوی تکمیل شده الحاق می شوند که بعدیت آن ها از طریق تحلیل مولفه های اصلی کاهش می یابد(PCA). سپس یک EFM ، ویژگی های افتراقی و متمایز بردار الگوی کاهش یافته را برای تشخیص الگو، استخراج می کند.
اثر بخشی و کارایی روش فضای رنگ ICA پیشنهادی با استفاده از یک مسئله تشخیص الگوی چالش و یک دیتابیس مقیاس بزرگ نشان داده می شود. به طور اخص، چالش بزرگ تشخیص چهره(FRGC) ومحیط آزمایش بیومتریک(BEE) مشخص میکند که برای چالش پذیر ترین نسخه FRGC آزمایش 4 که حاوی 12776 تصاویر آموزشی است،16028 تصویر هدف کنترل شده و 8014 تصویر کوئری کنترل نشده، روش فضای رنگ ICA به نرخ تغییر چهره(ROC III) 73.69 درصد در نرخ پذیرش کاذب(FAR) 0.1 درصد در مقایسه با نرخ تایید چهره(FVR) 67.13 درصد فضای رنگ RGB(با استفاده از EFM یکسان) و 11.86 درصد الگوریتم معیار FRGC الگوریتم معیار در FAR یکسان به دست می آید.
مقدمه مقاله
تصویر رنگ، که با دو متغیر مکانی و یک متغیر مکانی تعیین می شود، سه بعدی و چند طیفی است(14). بعد طیفی معمولا به باند های طیفی قرمز R، سبز G و آبیB نمونه برداری می شود که موسوم به رنگ های اصلی هستند. یک تصویر رنگی دارای سه تصویر می باشد: تصاویر قرمز،آبی و سبز. هر پیکسل از یک تصویر رنگی در فضای رنگی تعیین شده و به صورت یک سیستم مختصات رنگی عمل می کند. یک فضای رنگی رایج و مورد استفاده، فضای رنگ RGB بوده و سایر فضاهای رنگی معمولا از فضای رنگ RGCB با استفاده از تبدیلات خطی و غیر خطی محاسبه می شود
از آن جا که فضا های رنگی متفاوت تبدیل شده از فضای رنگی RGB قدرت افتراقی و تمایزی متفاوتی را برای تشخیص الگو نشان می دهند(10، 23 و 34)، این مقاله به بررسی یک روش فضای رنگی(ICA) تحلیل مولفه های مستقل برای هر دو الگوی تصویر رنگی موثر و طبقه بندی تصاویر رنگی کارآمد می پردازد. اولا، روش فضای رنگی ICA فرض می کند که هر تصویر رنگی با سه تصویر منبع مستقل C1-C2-C3 تعریف می شود که با استفاده از روش تفکیک منابع کور نظیر ICA(7-22) استخراج می شود دوما، سه تصویر رنگی مستقل با هم تلفیق شده و تشکیل یک بردار الگو می دهند که بعدیت آن ها با مولفه های اصلی(PCA)(11)کاهش می یابد. به طور اخص، سه تصویر C1-C2-C3 ابتدا به بردار تبدیل می شوند. هر یک از سه بردار سپس به میانگین صفر و واریانس واحد نرمال سازی می شوند. سه بردار نرمال سازی شده در نهایت تلفیق شده و تشکیل بردار الگوی تلفیقی می دهند. سپس یک مدل فیشر پیشرفته(EFM)(25) ویژگی های افتراقی بردار الگوی کاهش یافته را برای تشخیص الگو استخراج می کند. جدید بودن و تازگی روش فضای رنگ ICA شامل دو مورد است1- استخراج یک الگوی تصویر رنگی موثر بر اساس ICA و 2- پیاده سازی و اجرای طبقه بندی تصویر رنگ کارامد با استفاده از بازنمود تصویر رنگ مستقل و یک مدل فیشر پیشرفته(EFM). هدف اصلی از بررسی فضای رنگی ICA منوط به این نتیجه است که ICA یک روش نمایش داده قوی را برای تشخیص الگو ارایه می کند(1-7-22).ICAف یک تبدیل خطی را برای نشان دادن مجموعه ای از متغیر های تصادفی به صورت ترکیب خطی از متغیر های منبع مستقل آماری استخراج می کند(7). معیار جستجو، شامل حداقل سازی اطلاعات متقابل است که به صورت تابعی از آماره های مرتبه بالا تعریف می شود. اگرچه PCA از آماره های مرتبه پایین میانگین، واریانس و کواریانس برای کاهش همبستگی داده ها استفاده می کند، ICA موجب کاهش وابستگی آماری شده و این مسئله موجب تولید کد های مستقل و مفید برای تشخیص الگو می شود(30). برخلاف فضای رنگی RGB، که در آن تصاویر R-G-B همبستگی دارند، روش فضای رنگی جدید ICA، سه تصویر C1-C2-C3 مستقل و غیر همبسته را استخراج می کند.
کارایی و اثربخشی روش فضای رنگی ICA پیشنهادی با استفاده از دیتابیس مقیاس بزرگ و مسئله تشخیص الگو نشان داده می شود. به خصوص پالش بزرگ تشخیص چهره FRGC(32) و محیط آزمایش بیومتریک BEE(32) نشان می دهد که برای نسخه 2 FRGC آزمایش 4 که حاوی 12776 تصویر آموزشی است، 16028 تصویر هدف کنترل شده و 8014 تصویر کوئری کنترل نشده، روش فضای رنگی ICA به نرخ تایید چهره (ROC III) 73.69 در سرعت پذیرش کاذب (FAR) 0.1 درصد در مقایسه با نرخ تایید چهره FVR 67.13 درصد فضای رنگی RGB (با استفاده از EFM یکسان) و 11.86 درصد الگوریتم معیار FRGC در FAR یکسان دست پیدا می کند.
ABSTRACT ICA Color Space for Pattern Recognition
This paper presents a novel independent component analysis (ICA) color space method for pattern recognition. The novelty of the ICA color space method is twofold: 1) deriving effective color image representation based on ICA, and 2) implementing efficient color image classification using the independent color image representation and an enhanced Fisher model (EFM). First, the ICA color space method assumes that each color image is defined by three independent source images, which can be derived by means of a blind source separation procedure, such as ICA. Unlike the RGB color space, where the R , G, and B component images are correlated, the new ICA color space method derives three component images C 1 , C 2 , and C 3 that are independent and hence uncorrelated. Second, the three independent color component images are concatenated to form an augmented pattern vector, whose dimensionality is reduced by principal component analysis (PCA). An EFM then derives the discriminating features of the reduced pattern vector for pattern recognition. The effectiveness of the proposed ICA color space method is demonstrated using a complex grand challenge pattern recognition problem and a large scale database. In particular, the face recognition grand challenge (FRGC) and the biometric experimentation environment (BEE) reveal that for the most challenging FRGC version 2 Experiment 4, which contains 12 776 training images, 16 028 controlled target images, and 8014 uncontrolled query images, the ICA color space method achieves the face verification rate (ROC III) of 73.69% at the false accept rate (FAR) of 0.1%, compared to the face verification rate (FVR) of 67.13% of the RGB color space (using the same EFM) and 11.86% of the FRGC baseline algorithm at the same FAR.
Introduction
A color image, determined by a function of two spatial vari- ables and one spectral variable, is 3-D and multispectral [14]. The spectral dimension is usually sampled to the red , green , and blue spectral bends, known as the primary colors. A color image, therefore, contains three component images: the red, green, and blue component images. Each pixel of a color image is specified in a color space, which serves as a color coordinate system. One commonly used color space is the RGB color space, and other color spaces are usually calculated from the color space by means of either linear or nonlinear transformations.
As different color spaces transformed from the color space display different discriminating power for pattern recognition [10], [23], [34], this paper seeks a novel independent component analysis (ICA) color space method for both effective color image representation and efficient color image classification. First, the ICA color space method assumes that each color image is defined by three independent source images, C1 , C2 , and C3, which can be derived by means of a blind source separation procedure, such as ICA [7], [22]. Second, the three independent color component images are concatenated to form an augmented pattern vector, whose dimensionality is reduced by principal component analysis (PCA) [11]. Specifically, the three images C1, C2, and C3 are first converted into vectors, respectively. Each of the three vectors is then normalized to zero mean and unit variance. The three normalized vectors are finally concatenated to form the augmented pattern vector. An enhanced Fisher model (EFM) [25] then derives the discriminating features of the reduced pattern vector for pattern recognition.
The novelty of the ICA color space method is twofold: 1) deriving effective color image representation based on ICA, and 2) implementing efficient color image classification using the independent color image representation and an EFM. The motivation of investigating an ICA color space rests on the findings that ICA provides a powerful data representation method for pattern recognition [1], [7], [22]. ICA derives a linear transformation to represent a set of random variables as linear combinations of statistically independent source variables [7]. The search criterion involves the minimization of the mutual information defined as a function of high-order statistics (cumulants). While PCA applies low-order ( 2<) statistics (mean, variance, and covariance) to uncorrelate data, ICA would further reduce statistical dependencies and produce a sparse and independent code useful for subsequent pattern discrimination [30]. Unlike the color space, where the , , and component images are correlated, the new ICA color space method derives three component images C1, C2, and C3 that are independent and hence uncorrelated. The effectiveness of the proposed ICA color space method is demonstrated using a complex grand challenge pattern recognition problem and a large scale database. In particular, the face recognition grand challenge (FRGC) [32] and the biometric experimentation environment (BEE) [32] reveal that for the most challenging FRGC version 2 Experiment 4, which contains 12 776 training images, 16 028 controlled target images, and 8014 uncontrolled query images, the ICA color space method achieves the face verification rate (ROC III) of 73.69% at the false accept rate (FAR) of 0.1%, compared to the face verification rate (FVR) of 67.13% of the color space (using the same EFM) and 11.86% of the FRGC baseline algorithm at the same FAR.
- مقاله درمورد فضای رنگ ICA (تحلیل مولفه های مستقل) برای تشخیص الگو
- تشخیص الگو توسط فضای رنگ ICA (تحلیل مولفه های مستقل)
- پروژه دانشجویی فضای رنگ ICA (تحلیل مولفه های مستقل) برای تشخیص الگو
- فضای رنگ تحلیل مولفه های مستقل برای تشخیص الگو
- پایان نامه در مورد فضای رنگ ICA (تحلیل مولفه های مستقل) برای تشخیص الگو
- تحقیق درباره فضای رنگ ICA (تحلیل مولفه های مستقل) برای تشخیص الگو
- مقاله دانشجویی فضای رنگ ICA (تحلیل مولفه های مستقل) برای تشخیص الگو
- فضای رنگ ICA (تحلیل مولفه های مستقل) برای تشخیص الگو در قالب پايان‌نامه
- پروپوزال در مورد فضای رنگ ICA (تحلیل مولفه های مستقل) برای تشخیص الگو
- گزارش سمینار در مورد فضای رنگ ICA (تحلیل مولفه های مستقل) برای تشخیص الگو
- گزارش کارورزی درباره فضای رنگ ICA (تحلیل مولفه های مستقل) برای تشخیص الگو