内核二维非负矩阵分解:无人水下潜航器的目标探测的新方法视觉系统gydF4y2Ba

文摘gydF4y2Ba

本文研究一种先进的智能识别方法基于无人水下航行器的水下目标器(UUV)视觉系统。内核调用此方法二维非负矩阵分解(K2DNMF),可以进一步提高水下无人水下潜航器操作能力的视觉系统。我们的贡献可以概括如下:(1)K2DNMF打算使用内核矩阵分解方法的列和行方向上二维图像数据以变换原始的低维空间与线性与非线性高维空间;K2DNMF方法(2),一个好的子空间近似原始数据列的基础上可以通过正交约束矩阵和行基础矩阵;(3)基基列矩阵和行矩阵可以提取水下目标图像的特征信息,和有效的分类器设计进行水下目标识别;(4)一系列相关实验进行三组测试样本无人水下潜航器收集的视觉系统,实验结果表明K2DNMF总体目标探测精度高于传统的水下目标识别方法。gydF4y2Ba

1。介绍gydF4y2Ba

在最近几十年里,越来越多的注意力都集中在目标探测无人水下潜航器通过使用视觉系统(gydF4y2Ba1gydF4y2Ba,gydF4y2Ba2gydF4y2Ba]。水下目标探测的目标是狩猎和处理感兴趣的目标,这可能是一个好方法来消除潜在的威胁,避免损坏(gydF4y2Ba3gydF4y2Ba,gydF4y2Ba4gydF4y2Ba]。长期以来,许多学者致力于无人水下潜航器的发展视觉技术,因此,许多无人水下潜航器有效方法视觉技术已经开发和应用在实际环境中处理问题(gydF4y2Ba5gydF4y2Ba,gydF4y2Ba6gydF4y2Ba]。无人水下潜航器在这些研究中,基于视觉系统的目标探测是一种最担心无人水下潜航器主题领域的视觉技术,配备视觉系统无人水下潜航器的三维模型图所示gydF4y2Ba1gydF4y2Ba。传统的基于模型的目标检测方法很大程度上取决于检测目标的先验知识,但知识获取与探测目标往往是非常困难的,这限制了基于模型的目标检测方法在实际问题中的应用。因此,迫切需要研究方法在图像数据本身,即基于代数方法对目标探测的渴望已经出现,导致多变量统计分析的目标检测技术。如主成分分析(PCA) (gydF4y2Ba7gydF4y2Ba)和二维主成分分析(2神龙公司)(gydF4y2Ba8gydF4y2Ba,gydF4y2Ba9gydF4y2Ba]。gydF4y2Ba

众所周知,除了线性关系,变量之间的非线性结构也隐藏的图像数据难以被描述。因此,在过去的几十年中,内核方法迅速发展为处理非线性数据的新技术。通过使用内核方法,原始输入图像数据映射到高维或无限维的希尔伯特空间称为特征空间的高维空间中的图像数据结构是线性的。此外,通过引入一些特殊的内核函数,特征空间的内积可以计算不考虑非线性映射。例如,谢和林提出single-sample人脸识别方法利用核主成分分析(gydF4y2Ba10gydF4y2Ba];太阳等人提出了一个有效的K2DPCA方法(gydF4y2Ba11gydF4y2Ba]。Eftekhari等人提出了一个基于一个基于块的二维人脸识别算法内核PCA (gydF4y2Ba12gydF4y2Ba]。然而,以上方法可以确保获得矩阵因素是负的,代表地方特色和基本组件不能提取由于这些提议的方法的整体性质。gydF4y2Ba

寻求解决这一问题,一种新的子空间方法称为非负矩阵分解(NMF) [gydF4y2Ba13gydF4y2Ba- - - - - -gydF4y2Ba16gydF4y2Ba提出了]。目前,NMF算法已顺利应用于模式识别和图像处理领域。有别于传统的矩阵分解,NMF的核心目标是找到两个非负矩阵因子的乘积然后用作近似原始数据矩阵。正是的引入条件约束非负矩阵因子,以便NMF学习所学到的地方特色重建原始图像数据信息通过叠加方法,和减法操作不再需要消除一些信息。然而,仍然有两个明显的缺点的应用NMF算法在目标识别领域。第一,二维图像矩阵必须转化为一维图像向量,这可能会导致大问题的维度。第二,matrix-to-vector转换可能会导致信息丢失隐藏在二维图像矩阵。因此,为了解决这两个问题,2 dnmf [gydF4y2Ba17gydF4y2Ba- - - - - -gydF4y2Ba20.gydF4y2Ba方法发明。2 dnmf认为图像矩阵的列和行信息在两个方向,发现在两个方向上的非负矩阵因素。因此,比较NMF [gydF4y2Ba15gydF4y2Ba]方法,2 dnmf比NMF在计算效率和检测精度。gydF4y2Ba

尽管2 dnmf [gydF4y2Ba17gydF4y2Ba,gydF4y2Ba18gydF4y2Ba)已成功应用于目标检测领域,它不执行当图像数据包含一个强大的非线性特征。为此,内核二维非负矩阵分解(K2DNMF)已经提议,这是一个非线性扩展标准的二维非负矩阵分解。此外,本文不仅仅是引入内核的思想方法,我们探索K2DNMF当基列矩阵的不同的解释有不同性质的限制因素。同时,K2DNMF不仅维护非负和基列矩阵的低秩属性因素和基础矩阵行因素,而且还对矩阵的正交约束这两个因素分别导致良好的原始数据矩阵的子空间近似特征空间。在水下目标探测的阶段,K2DNMF可以准确地提取水下目标的有效信息和识别目标与一个有效的标识符,从而减少了计算复杂度。实验结果表明,与传统的水下目标探测方法相比,K2DNMF最好特征提取能力和较高的检测精度无人水下潜航器收集的水下目标图像视觉系统。gydF4y2Ba

本文的其余部分组织如下:在部分gydF4y2Ba2gydF4y2Ba,我们简要回顾了特征映射方法。节gydF4y2Ba3gydF4y2Ba,提出了K2DNMF方法及其算法。节gydF4y2Ba4gydF4y2Ba无人水下潜航器的水下图像数据收集的视觉系统是用来评估的性能K2DNMF水下目标检测的方法。最后,简要总结了结论。gydF4y2Ba

2。特征映射gydF4y2Ba

特征映射的优点是,它可以改变样本数据在低维空间的非线性关系到一个高维空间中线性关系(gydF4y2Ba21gydF4y2Ba]。此外,通过引入核函数,就可以避免进行特征映射和计算特征空间的内积。更多的知识关于特征映射和内核函数中引入以下本节的一部分。gydF4y2Ba

考虑gydF4y2Ba水下原始训练样本图像gydF4y2Ba ,gydF4y2Ba表示gydF4y2Ba是一个gydF4y2Ba通过gydF4y2Ba矩阵,我们一致gydF4y2Ba最初的训练图像到一个增广矩阵gydF4y2Ba可以写成如下:gydF4y2Ba

在哪里gydF4y2Ba代表了gydF4y2BakgydF4y2Ba增广矩阵的列向量gydF4y2Ba 。gydF4y2Ba因此,它可以很容易地看到,增广矩阵的维数gydF4y2Ba是gydF4y2Ba通过gydF4y2Ba 。gydF4y2Ba每个数据向量可以转移到一个高维甚至无限维的特征空间的映射函数gydF4y2Ba 。gydF4y2Ba

因此,在特征空间中,可以用增广矩阵gydF4y2Ba 。gydF4y2Ba内核映射,映射模式也被称为内核矩阵gydF4y2Ba被定义为:gydF4y2Ba

在哪里gydF4y2Ba代表内核函数。在特征空间中,可以通过数据标准化意味着定心和方差比例的内核矩阵gydF4y2Ba(gydF4y2Ba21gydF4y2Ba]。gydF4y2Ba

在哪里gydF4y2Ba ,gydF4y2Ba和gydF4y2Ba表示矩阵的痕迹。gydF4y2Ba

3所示。内核2 dnmfgydF4y2Ba

一般来说,关于与矩阵分解算法的二维图像数据,如BDPCA [gydF4y2Ba22gydF4y2Ba,gydF4y2Ba23gydF4y2Ba]和RC2DPCA [gydF4y2Ba24gydF4y2Ba)算法,将原始数据空间沿两个方向的行和列成几个子空间,试图找到原始数据的子空间近似沿着两个方向的行和列。在本节中,增加矩阵gydF4y2Ba将分解找到低秩矩阵的列和行方向的高维特征空间,从而建立一个水下目标探测模型。gydF4y2Ba

3.1。K2DNMF列方向分解gydF4y2Ba

类似于KNMF [gydF4y2Ba25gydF4y2Ba- - - - - -gydF4y2Ba28gydF4y2Ba)方法,考虑下面的分解形式:gydF4y2Ba

在哪里gydF4y2Ba代表基础矩阵和gydF4y2Ba分别代表了系数矩阵。对于图像特征提取,我们可以选择参数gydF4y2Ba任意只有小于参数gydF4y2Ba 。gydF4y2Ba在这篇文章中,由于每个列向量gydF4y2Ba对应于一个列图像的特征映射后,这个矩阵gydF4y2Ba也称为基列矩阵。此外,为了达到提高子空间近似性能和减少计算负荷的需要,这两种方法BDPCA和RC2DPCA启发我们认为基列矩阵gydF4y2Ba能保持正交性K2DNMF框架的方法。gydF4y2Ba

通过上述分析,矩阵gydF4y2Ba和gydF4y2Ba可以通过求解优化问题如下:gydF4y2Ba

在哪里gydF4y2Ba代表了弗罗贝尼乌斯规范的矩阵,gydF4y2Ba是单位矩阵。然而,由于内核映射函数gydF4y2Ba是未知的,几乎不可能获得矩阵gydF4y2Ba和gydF4y2Ba 。gydF4y2Ba幸运的是,如果我们限制基向量gydF4y2Ba 说谎的列空间之内gydF4y2Ba ,gydF4y2Ba也就是说,gydF4y2Ba ,gydF4y2Ba在哪里gydF4y2Ba系数,方程(gydF4y2Ba7gydF4y2Ba)可以进一步转化为以下形式:gydF4y2Ba

在哪里gydF4y2Ba系数矩阵,gydF4y2Ba的跟踪矩阵。从目标函数的约束条件方程(gydF4y2Ba8gydF4y2Ba)可以看出,目标函数的约束条件同时包括不等式约束和等式约束。因此,Karush-Kuhn-Tucker(马)条件用于获得目标函数的最优解。方程(gydF4y2Ba8gydF4y2Ba)可以进一步重写为:gydF4y2Ba

方程的表达式(gydF4y2Ba9gydF4y2Ba)是K2DNMF来反映图像的目标函数列方向特征空间中的信息。接下来,我们使用拉格朗日乘子方法推导方程的迭代的解决方案(gydF4y2Ba9gydF4y2Ba)。拉格朗日函数gydF4y2Ba 被定义为:gydF4y2Ba

在哪里gydF4y2Ba ,gydF4y2Ba 和gydF4y2Ba拉格朗日乘数法与约束吗gydF4y2Ba和gydF4y2Ba ,gydF4y2Ba分别。gydF4y2Ba

考虑到零条件的偏导数gydF4y2Ba 关于gydF4y2Ba收益率:gydF4y2Ba

在哪里gydF4y2Ba代表的偏导数,下标gydF4y2Ba表示gydF4y2Ba 矩阵的条目。通过对乘gydF4y2Ba两岸的方程(gydF4y2Ba11gydF4y2Ba),获得gydF4y2Ba的帮助下马条件,更新规则gydF4y2Ba可以得到:gydF4y2Ba

在哪里gydF4y2Ba代表部门矩阵元素的操作。根据马条件,它可以表明,最优解的目标函数必须满足gydF4y2Ba和gydF4y2Ba 。gydF4y2Ba因此,拉格朗日函数gydF4y2Ba 可以定义为gydF4y2Ba 并且可以改写如下:gydF4y2Ba

为了获得的价值gydF4y2Ba 。gydF4y2Ba要求的偏导数gydF4y2Ba 关于gydF4y2Ba和gydF4y2Ba收益率:gydF4y2Ba

的帮助下gydF4y2Ba ,gydF4y2Ba方程(gydF4y2Ba15gydF4y2Ba)可以简化为:gydF4y2Ba

两边同时左乘方程(gydF4y2Ba14gydF4y2Ba)gydF4y2Ba和应用两个已知条件gydF4y2Ba和gydF4y2Ba方程(gydF4y2Ba14gydF4y2Ba),我们得到gydF4y2Ba然后代入方程(gydF4y2Ba12gydF4y2Ba)收益率的更新规则gydF4y2Ba :gydF4y2Ba

到目前为止,如果一个矩阵gydF4y2Ba初始值的非负,一对最后聚合非负矩阵gydF4y2Ba和gydF4y2Ba可以通过反复迭代。基列矩阵的表达式gydF4y2Ba可以获得的gydF4y2Ba :gydF4y2Ba

自映射函数的特性gydF4y2Ba是未知的,基列矩阵的最终结果gydF4y2Ba无法计算,这并不影响水下目标特征信息的有效表达。gydF4y2Ba

3.2。K2DNMF的行方向分解gydF4y2Ba

节gydF4y2Ba3.1gydF4y2Ba,我们得到一个非负矩阵列基础gydF4y2Ba和一个负的系数矩阵gydF4y2Ba的分解gydF4y2Ba ,gydF4y2Ba这样gydF4y2Ba我gydF4y2Bath样本图像gydF4y2Ba可以很容易地推导出:gydF4y2Ba

在哪里gydF4y2Ba ,gydF4y2Ba本节的目的找到K2DNMF的行基础矩阵。为此,我们构建了一个新的矩阵gydF4y2Ba 包含行方向信息的图像样本在特征空间中。通过使用类似的分解方法在列方向,非负矩阵gydF4y2Ba可以写成:gydF4y2Ba

在哪里gydF4y2Ba ,gydF4y2Ba 。gydF4y2Ba 和gydF4y2Ba行基础矩阵和相对应的系数矩阵的行基础矩阵,分别。预计行基础矩阵仍然保持正交性。因此,方程(gydF4y2Ba20.gydF4y2Ba)可以进一步转化为如下优化问题需要解决:gydF4y2Ba

通过扩大方程(gydF4y2Ba21gydF4y2Ba根据方程的计算方法()gydF4y2Ba8gydF4y2Ba),以下包含平等和不平等的双重约束优化问题可以得到如下:gydF4y2Ba

接下来,使用拉格朗日方法推导出迭代方程解(gydF4y2Ba22gydF4y2Ba)。拉格朗日函数gydF4y2Ba 被定义为:gydF4y2Ba

在哪里gydF4y2Ba ,gydF4y2Ba 和gydF4y2Ba代表了拉格朗日乘数法的约束gydF4y2Ba ,gydF4y2Ba 和gydF4y2Ba ,gydF4y2Ba分别。接下来,考虑零条件的偏导数gydF4y2Ba 关于gydF4y2Ba收益率:gydF4y2Ba

其中下标gydF4y2Ba表示gydF4y2Ba 矩阵的条目。通过对乘gydF4y2Ba两岸的方程(gydF4y2Ba24gydF4y2Ba)和应用马条件gydF4y2Ba ,gydF4y2Ba的更新规则gydF4y2Ba可以得到:gydF4y2Ba

然后,拉格朗日乘数gydF4y2Ba通过使用马条件决定。因此,拉格朗日函数gydF4y2Ba 可以定义为gydF4y2Ba ,gydF4y2Ba表单显示如下:gydF4y2Ba

此外,要求的偏导数gydF4y2Ba 关于gydF4y2Ba和gydF4y2Ba消失,我们有gydF4y2Ba

应用gydF4y2Ba方程(gydF4y2Ba28gydF4y2Ba)收益率:gydF4y2Ba

两边同时左乘方程(gydF4y2Ba27gydF4y2Ba)gydF4y2Ba和应用两个已知条件gydF4y2Ba和gydF4y2Ba方程(gydF4y2Ba27gydF4y2Ba),我们可以推断出gydF4y2Ba 。gydF4y2Ba替换gydF4y2Ba在方程(gydF4y2Ba25gydF4y2Ba),可以进一步简化更新规则gydF4y2Ba :gydF4y2Ba

现在,如果一个矩阵gydF4y2Ba的初始值是负的,一对最后聚合非负矩阵gydF4y2Ba和gydF4y2Ba可以通过反复迭代。在这里gydF4y2Ba可以分解成的形式gydF4y2Ba这些对齐。gydF4y2Ba

在哪里gydF4y2Ba 被认为是系数矩阵的gydF4y2Ba ,gydF4y2Ba这样的表达gydF4y2Ba可以近似的产品行基础矩阵gydF4y2Ba和系数矩阵gydF4y2Ba 。gydF4y2Ba

到目前为止,K2DNMF行方向分解已经完成。结合的结果列分解K2DNMF中描述部分gydF4y2Ba3.1gydF4y2BaK2DNMF算法的整个过程,获得并显示在表中gydF4y2Ba1gydF4y2Ba。同时,总共四个矩阵的因素gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba 和gydF4y2Ba也已决定采用相应的迭代规则归纳在表格吗gydF4y2Ba2gydF4y2Ba。gydF4y2Ba

3.3。基于K2DNMF水下目标探测gydF4y2Ba

两个阶段参与使用K2DNMF的水下目标探测方法,特征提取阶段和特点分别水下目标的分类阶段。gydF4y2Ba

首先,特征提取阶段被认为是,因为基列矩阵gydF4y2Ba和行基础矩阵gydF4y2Ba与正交性被视为K2DNMF正交投影矩阵的方法gydF4y2Ba和gydF4y2Ba用于特征提取操作。对于任何给定的新形象gydF4y2Ba ,gydF4y2Ba特性矩阵gydF4y2Ba可以写成:gydF4y2Ba

在哪里gydF4y2Ba是由:gydF4y2Ba

意味着定心和方差的比例gydF4y2Ba可以通过(gydF4y2Ba21gydF4y2Ba]gydF4y2Ba

在哪里gydF4y2Ba ,gydF4y2Ba方程(gydF4y2Ba33gydF4y2Ba)可以写成:gydF4y2Ba

接下来,一个分类器相结合的匹配程度将旨在实现水下目标探测(gydF4y2Ba29日gydF4y2Ba]。假设有一个总gydF4y2Ba训练样本图像gydF4y2Ba 。gydF4y2Ba使用第一阶段特征提取方法,特性矩阵gydF4y2Ba 每个训练样本可以获得。任何两个样本之间的距离特性矩阵gydF4y2Ba和gydF4y2Ba被定义为:gydF4y2Ba

然后,特征矩阵之间的距离gydF4y2Ba每个训练样本和他们意味着特性矩阵gydF4y2Ba 可以通过方程(gydF4y2Ba38gydF4y2Ba)。这些距离可以定义一组的形式gydF4y2Ba(集gydF4y2Ba也被称为功能集的距离):gydF4y2Ba

假设测试样本gydF4y2Ba特征矩阵,gydF4y2Ba可以很容易地获得根据方程(gydF4y2Ba37gydF4y2Ba),然后之间的匹配程度gydF4y2Ba和gydF4y2Ba可以计算判断是否gydF4y2Ba属于水下目标图像。匹配的程度gydF4y2Ba定义如下:gydF4y2Ba

在哪里gydF4y2Ba是参数和gydF4y2Ba可以由最大值之间的匹配度gydF4y2Ba在距离特性集gydF4y2Ba和gydF4y2Ba 。gydF4y2Ba我们设置一个阈值gydF4y2Ba的匹配程度gydF4y2Ba(gydF4y2Ba也称为控制限制)。如果条件的gydF4y2Ba是满意,目标将成为水下目标的确定,否则,水下目标文件不存在。水下目标探测的过程基于K2DNMF如图gydF4y2Ba2gydF4y2Ba。gydF4y2Ba

4所示。实验和分析gydF4y2Ba

在本节中,提出K2DNMF无人水下潜航器收集的方法应用于水下目标图像视觉系统。最好的实验是实验池中进行装配和控制技术研究所的哈尔滨工程大学。真正的实验池是图所示gydF4y2Ba3gydF4y2Ba。比较算法是BDPCA [gydF4y2Ba22gydF4y2Ba],RC2DPCA [gydF4y2Ba24gydF4y2Ba),2 dnmf [gydF4y2Ba18gydF4y2Ba],PNMF [gydF4y2Ba30.gydF4y2Ba],MKNMF [gydF4y2Ba31日gydF4y2Ba]。其中,BDPCA、RC2DPCA和2 dnmf属于线性方法,虽然PNMF, MKNMF, K2DNMF属于非线性方法,采用多项式核gydF4y2Ba 。gydF4y2Ba算法的BDPCA RC2DPCA,我们选择的特征向量特征值的累积方差贡献在列方向和行方向是90%。的最大迭代数NMF-related被设置为300,继续不断的在所有的实验中。PNMF和MKNMF特性是选为200。列的数量2 dnmf K2DNMF的方向特性gydF4y2Ba是选为200,行方向特性的数量被选为160年。设置内核参数gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba和gydF4y2Ba分别为K2DNMF PNMF, MKNMF。最后,一个有效的分类器是用来进行水下目标探测条件下,所有方法的阈值设置为80%。实验重复10次,平均检测精度和记录的平均匹配度。gydF4y2Ba

UUV视觉系统主要由水下摄影机和水下照明设备和无人水下潜航器安装在船头部分。水下相机可以收集每秒24帧的图像数据。考虑到数据存储空间和操作的速度,每一帧的图像数据的解析是标准化gydF4y2Ba像素数组来gydF4y2Ba像素阵列。无人水下潜航器的视觉系统用于连续抽样为每个水下目标50秒,包括六种水下目标。一帧图像的每0.25秒收集并存储在水下目标图像数据集,因此,水下目标图像数据集是由1200帧图像。此外,为了更好地模拟水下光缆,所有目标图像是圆柱形状。水下目标图像数据集包含水下目标的各种状态,以及一些水下目标图像与不同状态如图gydF4y2Ba4gydF4y2Ba。的gydF4y2Ba帧图像的水下目标图像数据集随机选择了训练,而剩下的gydF4y2Ba帧图像被分成三个部分进行测试。我们规定的任何数量的区别两种类型的水下目标的训练集不应超过10%,否则应重新训练数据集。第一部分选择了gydF4y2Ba 帧图像作为测试集,选择了第二部分gydF4y2Ba 帧图像后,测试1被设置为测试设置2。第三部分选择剩下的gydF4y2Ba 15帧图像和添加600帧水下无人水下潜航器不属预定目标的图像数据集收集的视觉系统为测试组3,上述过程重复10次。gydF4y2Ba

当选择训练样本的数量为1000,平均每个方法的检测精度测试设置1所示表gydF4y2Ba3gydF4y2Ba。图gydF4y2Ba5gydF4y2Ba显示了示例数据的匹配程度的不同的方法在第七届实验中测试设置1,红点表示错误检测的水下目标,绿点表示的正确探测水下目标,和蓝线是控制极限。从图gydF4y2Ba5gydF4y2Ba和表gydF4y2Ba3gydF4y2Ba可以清楚地看到,PNMF的测试结果,MKNMF, K2DNMF比BDPCA, RC2DPCA,和2 dnmf,它表明,非线性方法比线性同行。它们之间的最佳表现是K2DNMF算法。对于其他方法,水下目标探测的准确性是增长了9.4%,7.2%,5.5%,3.8%,0.6%。这表明我们提出K2DNMF方法比其他方法更有效的特征提取能力,可以准确地探测水下目标。gydF4y2Ba

为了演示每种方法识别目标的能力,当训练样本的数量改变,不同数量(300,400,500,600,700,800,900,1000)从水下目标图像数据集选择测试在测试设置2。平均检测精度如表所示gydF4y2Ba4gydF4y2Ba并绘制在图gydF4y2Ba6gydF4y2Ba,数字在括号是标准差。图gydF4y2Ba6gydF4y2Ba和表gydF4y2Ba4gydF4y2Ba表明,当训练样本数量的增加,提高了所有方法的性能。K2DNMF检测精度的增加从1000年与300年训练图像90.20%的79.92%训练图像。BDPCA的其他方法的检测精度,RC2DPCA, 2 dnmf PNMF,和MKNMF增加73.12%,74.63%,71.86%,72.90%,和78.33%,培训人数300到81.80%,84.00%,84.60%,85.80%,和88.20%的培训分别编号为1000。从图gydF4y2Ba6gydF4y2Ba和表gydF4y2Ba4gydF4y2Ba还可以看到,当训练样本的数量超过50%的样本图像数据集,内核方法有竞争力的线性方法,也就是说,PNMF, MKNMF,和K2DNMF胜过BDPCA RC2DPCA, 2 dnmf。进一步的观察表明,在选择的训练样本,K2DNMF算法是最好的总体性能检测精度比其他方法。图gydF4y2Ba7gydF4y2Ba视觉上显示的标准偏差分布检测精度时用不同的方法测试中使用的相同数量的训练样本集2。它可以看到从图的实验结果gydF4y2Ba7gydF4y2Ba标准差K2DNMF小于其它方法的检测精度,当训练样本数量(300,400,500,600,700,800,900和1000年)被选中,这可能是因为基列矩阵和行基础矩阵的正交性被认为是K2DNMF的目标函数,这是很重要的改进算法的鲁棒性。gydF4y2Ba

针对水下目标探测的更好的模拟,在测试集3中,除了休息gydF4y2Ba 帧图像,我们添加了600帧水下不属预定目标的图像数据集包含15个类别无人水下潜航器收集的视觉系统的干扰来源,和每个类别包括40帧图像数据规范化是谁的解决每一帧gydF4y2Ba像素数组来gydF4y2Ba像素阵列。图gydF4y2Ba8gydF4y2Ba显示了一些干扰源图像在测试组3。平均检测结果列表,如图gydF4y2Ba9gydF4y2Ba和表gydF4y2Ba5gydF4y2Ba。可以看出的准确性K2DNMF ascends12.60%从培训数量300 - 1000号,虽然BDPCA的检测精度和RC2DPCA增加11.80%和12.46%从300年训练图像1000年训练图像。对NMF方法,检测精度2 dnmf PNMF, MKNMF增加15.74%,16.89%,12.96%从300年训练图像1000年训练图像。从图gydF4y2Ba9gydF4y2Ba和表gydF4y2Ba5gydF4y2Ba也可以清楚地看到,当训练样本的数量是500,600,700,800,900,和1000,内核方法优于线性方法对目标探测的准确性。也就是说,当训练样本的数量超过41.67%的样本图像数据集,平均检测精度PNMF, MKNMF,和K2DNMF高于BDPCA RC2DPCA, 2 dnmf。通过比较和分析实验结果的测试2,如果内核方法用于水下目标探测,训练样本的数量建议超过50%图像的样本数据集。此外,它很容易找到,在选择训练样本的数量,K2DNMF方法提出了总体高于其他方法对水下目标检测准确。这可能是因为K2DNMF保留了结构信息嵌入在像素中,这对目标探测是最重要的。当训练样本(300,400,500,600,700,800,900,1000)选择训练样本,检测精度的标准偏差分布对应于每个方法如图gydF4y2Ba10gydF4y2Ba。从实验结果图gydF4y2Ba10gydF4y2Ba可以看出检测准确性的标准偏差从K2DNMF是最小的数值的方法无论在所有训练样本数据被选中,演示K2DNMF方法的鲁棒性越强。gydF4y2Ba

5。结论gydF4y2Ba

在这篇文章中,一个新的水下目标detection-kernel二维非负矩阵分解方法(K2DNMF)已经被开发出来。矩阵的获取方法的因素gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba 和gydF4y2Ba在特征空间中进行了讨论。为了达到更好的表达原始数据的特征子空间,除了保证nonnegativity和基列矩阵的低秩gydF4y2Ba行基础矩阵gydF4y2Ba ,gydF4y2Ba两个因素上的约束ortho-normality已经应用。此外,在目标探测的阶段,结合水下图像的特征信息提取的K2DNMF匹配程度的方法,在一定程度上可以减少计算复杂度。最后,水下目标探测计划由K2DNMF方法进一步扩大。我们建议的方法评估了无人水下潜航器图像数据收集的视觉系统。实验结果表明,K2DNMF-based具有良好的特征提取能力和目标探测效果。gydF4y2Ba

数据可用性gydF4y2Ba

使用的数据来支持本研究的发现可以从相应的作者。gydF4y2Ba

的利益冲突gydF4y2Ba

作者宣称没有利益冲突。gydF4y2Ba

确认gydF4y2Ba

这项工作是支持的最好的装配和控制技术研究所。作者要感谢薛Du,胡安和李天豪江与水下实验提供帮助。这项工作还支持部分由中国国家自然科学基金会拨款51609046和51609046下,部分研究基金的水下航行器技术重点实验室中国授予614221502061701和6142215180107。gydF4y2Ba

引用gydF4y2Ba

1. y, y江,j .曹和李y, b . Wang”AUV对接实验基于视觉定位使用两个摄像头,“gydF4y2Ba海洋工程gydF4y2Ba卷,110年,第173 - 163页,2015年。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
2. g . l . Foresti“视觉检查海底结构由一个自治水下交通工具,”gydF4y2BaIEEE系统,人与控制论,B部分(控制论)gydF4y2Ba没有,卷。31日。5,691 - 705年,2001页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
3. x太阳,j .史l .刘et al .,“深知识转移对象识别的低质量的水下视频,”gydF4y2BaNeurocomputinggydF4y2Ba卷,275年,第908 - 897页,2018年。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
4. k . Srividhya和m . m . Ramya”准确的对象识别水下图像使用学习算法和纹理特性,”gydF4y2Ba多媒体工具和应用程序gydF4y2Ba,卷76,不。24日,第25695 - 25679页,2017年。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
5. x p . j .徐x y . Chen歌,和h·李,“目标识别和位置无人水下潜航器基于双目视觉系统,”gydF4y2Ba34中国控制会议(CCC)gydF4y2Ba杭州,页3959 - 3963年,2015年。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
6. T.-D。张,W.-J l . Wang。曾和Y.-R。许”,对象检测和跟踪方法基于声学AUV的愿景,“gydF4y2Ba中国海洋工程gydF4y2Ba,26卷,不。4、623 - 636年,2012页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
7. 黄d、z易和x Pu、“新增量PCA算法与应用程序的视觉学习和识别,”gydF4y2Ba神经处理信件gydF4y2Ba,30卷,不。3、171 - 185年,2009页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
8. j·杨,d, a . f . Frangi j.y.杨,“二维主成分分析:外貌的脸表示和识别新方法,”gydF4y2BaIEEE模式分析与机器智能gydF4y2Ba,26卷,不。1,第137 - 131页,2004。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
9. 张x, x l . Wang Wang和j .冯”二维主成分分析的等效基于行的PCA。”gydF4y2Ba模式识别的字母gydF4y2Ba,26卷,不。1、年度,2005页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
10. X.-D。谢和K.-M。Lam”Gabor-based内核PCA人脸识别的双重非线性映射一脸的形象,“gydF4y2BaIEEE图像处理gydF4y2Ba,15卷,不。9日,第2492 - 2481页,2006年。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
11. n .太阳H.-X。王,Z.-H。霁,C.-R。邹,z李”,一个高效的算法内核二维主成分分析,“gydF4y2Ba神经计算和应用gydF4y2Ba,17卷,不。1,59 - 64年,2007页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
12. a . Eftekhari m . Forouzanfar h·a·穆贾达姆和j . Alirezaie”基于块2 d内核PCA / LDA对人脸识别,”gydF4y2Ba信息处理信件gydF4y2Ba,卷110,不。17日,第766 - 761页,2010年。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
13. c . h .问:叮,t·李,乔丹,“凸,semi-nonnegative矩阵分解。”gydF4y2BaIEEE模式分析与机器智能gydF4y2Ba,32卷,不。1、45 - 55,2010页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
14. d . Cai x, j·汉,t·黄”图正规化的非负矩阵分解为数据表示,“gydF4y2BaIEEE模式分析与机器智能gydF4y2Ba,33卷,不。8,1548 - 1560年,2011页。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
15. D.-X。王,M.-S。江,F.-L。妞妞,Y.-D。曹,C.-X。周”,语音增强控制设计算法使用beta-NMF dual-microphone系统在复杂的环境中,“gydF4y2Ba复杂性gydF4y2Ba,文章ID 6153451, 1-13, 2018页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
16. z杨和e . Oja“二次非负矩阵分解,”gydF4y2Ba模式识别gydF4y2Ba,45卷,不。4、1500 - 1510年,2012页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
17. l·胡、g .郭和c·马”结合新的非负矩阵分解算法对图像处理的二维非负矩阵分解,“gydF4y2Ba多媒体工具和应用程序gydF4y2Ba,卷75,不。18日,第11155 - 11127页,2016年。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
18. d ., s·陈,Z.-H。周,“二维非负矩阵分解的脸表示和识别,”gydF4y2Ba第二国际研讨会上分析和建模的面孔和手势gydF4y2Ba卷,3723年,页350 - 363,北京,2005。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
19. b . Li p.l.。张,D.-S。刘,s。Mi, G.-Q。任,h .田”,为滚动轴承故障诊断特征提取利用广义S变换和二维非负矩阵分解,“gydF4y2Ba杂志的声音和振动gydF4y2Ba,卷330,不。10日,2388 - 2399年,2011页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
20. •萨利姆(george w . bush)和d d。有些则说Santika人类面部表情识别使用二维非负矩阵分解,”gydF4y2Ba国际会议上提出科学和当代工程(ICASCE)gydF4y2Ba,50卷,第767 - 758页,2012年雅加达。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
21. 人类。李,s . j .秦,I.-B。李,“非线性过程的故障检测使用内核独立分量分析,“gydF4y2Ba加拿大化学工程杂志》上gydF4y2Ba,卷85,不。4、526 - 536年,2007页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
22. w·左d·张,k . Wang”双向PCA与组装矩阵距离度量图像识别,”gydF4y2BaIEEE系统,人与控制论,B部分(控制论)gydF4y2Ba,36卷,不。4、863 - 872年,2006页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
23. w·左d·张,j·杨和k . Wang”BDPCA + LDA:一种新颖的快速人脸识别的特征提取技术,”gydF4y2BaIEEE系统,人与控制论,B部分(控制论)gydF4y2Ba,36卷,不。4、946 - 953年,2006页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
24. w·杨,c .太阳和k . Ricanek“顺序row-column 2神龙公司为人脸识别,”gydF4y2Ba神经计算和应用gydF4y2Ba,21卷,不。7,1729 - 1735年,2012页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
25. l .翟关,傅y, y . Zhang和l .冯”非线性过程监控使用内核非负矩阵分解,“gydF4y2Ba加拿大化学工程杂志》上gydF4y2Ba,卷96,不。2、554 - 563年,2018页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
26. W.-S。陈,赵y, b, b·陈,“监督内核非负矩阵分解的人脸识别,”gydF4y2BaNeurocomputinggydF4y2Ba卷,205年,第181 - 165页,2016年。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
27. 锅,j .赖,W.-S。陈,“非线性非负矩阵分解基于Mercer内核建设,“gydF4y2Ba模式识别gydF4y2Ba,44卷,不。年级,2800 - 2810年,2011页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
28. Zafeiriou和m . Petrou“非线性非负成分分析算法,gydF4y2BaIEEE图像处理gydF4y2Ba,19卷,不。4、1050 - 1066年,2010页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
29. h . t .唱z周,f,问:Ke,“一个有效的人脸识别算法基于并行局部相位量化和匹配程度,“gydF4y2Ba智能和模糊系统杂志》上gydF4y2Ba,32卷,不。5,3377 - 3385年,2017页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
30. 即Buciu: Nikolaidis,皮塔饼,“非负矩阵分解在多项式特征空间,”gydF4y2BaIEEE神经网络gydF4y2Ba,19卷,不。6,1090 - 1100年,2008页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
31. 太阳x, z . Wang和l .太阳,”廖适应性内核非负矩阵分解的人脸识别,”gydF4y2Ba计算和理论纳米科学杂志》上gydF4y2Ba,12卷,不。9日,第2719 - 2710页,2015年。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba

版权gydF4y2Ba

版权©2020徐剑et al。这是一个开放的分布式下文章gydF4y2Ba知识共享归属许可gydF4y2Ba,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。gydF4y2Ba