基于ICA和ELM的圖像識(shí)別算法研究.pdf

1、近年來(lái)，獨(dú)立成分分析算法(Independent Component Analysis，ICA)在圖像處理領(lǐng)域得到了廣泛的研究，并且在語(yǔ)音信號(hào)分離、圖像信號(hào)去噪、人臉圖像識(shí)別、金融數(shù)據(jù)分析和醫(yī)學(xué)信號(hào)處理等方面得到了越來(lái)越多的應(yīng)用。神經(jīng)網(wǎng)絡(luò)方法一直以來(lái)都很難被廣泛的應(yīng)用到實(shí)時(shí)計(jì)算領(lǐng)域，最主要的原因就是神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時(shí)間太長(zhǎng)從而導(dǎo)致計(jì)算效率較低，但近幾年來(lái)，黃廣斌副教授等人提出的極限學(xué)習(xí)機(jī)(Extreme Learning Machine，

2、ELM)算法可以使訓(xùn)練時(shí)間明顯縮短，網(wǎng)絡(luò)的實(shí)時(shí)性大大提高，重新引起了科研人員對(duì)神經(jīng)網(wǎng)絡(luò)算法及其應(yīng)用的重視。
　　本論文的研究?jī)?nèi)容主要涉及圖像特征的提取、圖像重構(gòu)、圖像壓縮、圖像識(shí)別等方面。本文首先對(duì)目前流行的圖像識(shí)別技術(shù)進(jìn)行介紹，接著詳細(xì)闡述ICA算法和ELM算法。然后采用一種結(jié)合ICA和ELM的算法來(lái)提取人臉特征，最后完成人臉圖像及手寫(xiě)體數(shù)字的快速識(shí)別。本文通過(guò)利用不同的數(shù)據(jù)庫(kù)和識(shí)別算法進(jìn)行對(duì)比，來(lái)驗(yàn)證該算法的準(zhǔn)確度和效率。本文

3、的主要研究工作如下:
　　1)本文對(duì)ICA算法進(jìn)行系統(tǒng)闡述，尤其是快速獨(dú)立成分分析算法(FastICA)。利用ICA算法對(duì)自然圖像以及人臉圖像進(jìn)行特征提取，并完成圖像重構(gòu)及圖像壓縮等任務(wù)，然后將ICA算法進(jìn)行擴(kuò)展，使其可以直接應(yīng)用于彩色圖像，利用彩色的自然圖像完成圖像重構(gòu)等。
　　2)本文對(duì)ELM算法進(jìn)行完整的介紹，并利用“SinC”函數(shù)和通用的UCI數(shù)據(jù)集測(cè)試ELM的擬合回歸性能。
　　3)本文提出一種新算法，該算法

4、利用傳統(tǒng)的ICA離線地從自然圖像中提取出共同的視覺(jué)特征，然后利用ELM算法在線地模擬ICA的過(guò)程對(duì)人臉圖像進(jìn)行實(shí)時(shí)的特征提取，最后利用ELM分類器來(lái)對(duì)人臉圖像進(jìn)行識(shí)別。實(shí)驗(yàn)證明利用經(jīng)過(guò)ELM算法擬合的特征進(jìn)行分類的識(shí)別率要比直接利用ICA提取人臉特征的識(shí)別率高并且特征提取速度要快。實(shí)驗(yàn)中所用的數(shù)據(jù)集為Yale人臉數(shù)據(jù)庫(kù)和MNIST手寫(xiě)體數(shù)字集。
　　最后，本文通過(guò)大量的Matlab仿真實(shí)驗(yàn)對(duì)算法進(jìn)行了驗(yàn)證，并闡述了本文提出的算法有