مقاله فضای رنگ ICA برای تشخیص الگو

ICA Color Space for Pattern Recognition

مجله IEEE

سال ۲۰۰۹

چکیده

این مقاله یک روش فضای رنگ تحلیل مولفه های مستقل جدید را برای تشخیص الگو ارایه می کند. جدید بودن و تازگی روش فضای رنگ ICA شامل دو مورد است۱- استخراج یک الگوی تصویر رنگی موثر بر اساس ICA و ۲- پیاده سازی و اجرای طبقه بندی تصویر رنگ کارامد 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 منبع کور نظیر ICA استخراج کرد. بر حلاف 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) و محیط ازمایش بیومتریک(BEE) نشان می دهد که برای چالش پذیر ترین نسخه FRGC ازمایش ۴ که حاوی ۱۲۷۷۶ تصویر اموزشی است،۱۶۰۲۸ تصویر هدف کنترل شده و ۸۰۱۴ 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 ۱۱٫۸۶ درصد الگوریتم معیار FRGC الگورتیم معیار در FAR یکسان دست پیدا می کند.

Abstract

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.

دانلود رایگان مقاله انگلیسی

خرید ترجمه آماده ورد