基于ELM改進K-SVD算法的多特征融合物體成像識別

楊玲玲

關鍵詞：K-SVD算法；算法改進；圖像識別

0 引言

作為一項重要可用于恢復樣品高分辨率和相位的技術，近幾年來傅里葉疊層成像（FP） 取得顯著進步[1，2]。樣品高分辨率成像在大視場下完成的主要原因是具有相對較為簡單的運行設施及FP 技術所需算法，實現的功能還包括三維重聚焦[3，4]。在處理稀疏矩陣時應用協同過濾算法，該算法基于內存分析完成建立，所以系統準確預測及高效運行均不能得到充分有效保障，此問題需將新算法引入完成處理，將原傳統算法進行改進。在推薦算法中早已應用SVD 技術，表現出較強的降維性能，結果顯示可顯著改善數據稀疏性[5]。最初在搜索潛在語義領域應用SVD 技術，該算法被應用于推薦算法中，確定維數完成預測前，需按照含有奇異值對角矩陣、用戶特征向量矩陣、低維項目特征向量矩陣分解高維用戶- 項目評分矩陣，維數確定需結合奇異值大小及數量[6]。

本文獲取ELM 算法采用K-SVD 算法改進處理實現，并成功應用于多特征融合物體成像識別領域。

1 ELM改進K-SVD算法

1.2 訓練ELM算法

訓練DELM-AE 算法的流程圖如圖1 所示。在測試樣本稀疏編碼過程中，所利用字典選用全部的測試樣本，測試樣本標簽值的判定則需依據重構誤差最小準則。

訓練算法數據傳輸模式在隱含層及輸入均選用全連接模式，學習參數用β 表示。同時選用單隱層ELM 算法解析算法各層及前一層，有利于訓練成本的大幅降低，單隱層ELM“輸入層”用“輸出層”代替。參考此方法可完成極限學習機網絡模型的構建，實現自編碼功能，訓練參考以上步驟進行。

2 物體識別的應用

2.1 物體識別

在Coil-20 數據集中驗證ELM 算法。旋轉10°后再對每個物體進行照片采集，共計獲得36×20 張圖片。采用隨機方式，在識別物體的過程中進行訓練選取圖片為18×20 個，專門用于測試的樣本數據為剩余圖片。

基于3 層ELM 算法完成隱含層節點在K-SVD 算法中的設定，然后完成20 個節點的選取，各個節點識別率在ELM 算法隱含層中的測試結果如表1 所示。

為全方位評價字典學習結果，K-SVD 學習字典情況依據ELM 算法獲取，具體結果見圖2。通過ELM 算法，同時結合圖2 詳細數據，字典精確度和優勢在處理后的提升效果均十分顯著。

對比分析表2 數據，發現應用不同算法獲取的計算準確率不同，包括K-SVD算法、SAE 算法及ELM 算法。數據結果顯示，從收斂速度來看，K-SVD 算法相對較快，同時相比SAE 算法，該算法的收斂時間更短。因此，不論是從計算效率還是計算準確率來看，相比于ELM 算法，改進的K-SVD 算法表現出較佳的性能優勢。

2.2 多特征融合的物體識別

本實驗采集數據環節抓取目標數據集時應用的機械臂由康奈爾大學機器研究實驗室開發而成。由8 005 張圖像及260 個對象構成數據集，圖像拍攝和存儲利用Kinect，利用機械臂抓取目標，按特定方向和適當的背景點云擺放各對象和設置各圖像。同時按照24×24 的尺寸標準調整設置圖像像素大小，任何彩色與深度的圖片都涵蓋在內，2 304 維的目標由各機械臂抓取，576維深度特征及1 728 維RGB 特征均包含在內。

經實驗測試得到，共有3 個節點數均為100 的隱含層包含在ELM 網絡模型中，識別效果良好，計算準確率結合實驗測試結果最終為90.1%；參數條件設置一致，僅有RGB 特征存在的情況下，識別率僅為83.1%。參考上述分析得出，系統識別精度在應用深度特征后得到顯著提升。本實驗測試的具體結果可參考表3 與表4數據。

對比分析表3 數據得出，實驗過程中采用K-SVD算法但未應用深度信息的情況下， 識別準確率為76.3%，該項參數數據在使用深度特征信息后有顯著提升，可達到81.4% 的識別準確率；當深度信息匱乏的情況，ELM 識別率為81.5%；新增深度信息后則增長至82.9%；除此之外，在對原始圖像融合特征進行處理的過程中，將ELM 網絡模型引入到前端，即使應用傳統K-SVD 算法也能獲取89.83% 準確率較高的識別率，但是識別準確率在深度信息未涵蓋的情況下僅為83.9%。K-SVD 算法性能可通過ELM 得到顯著提升，當然算法識別準確率在多特征加入后也相應得到快速增長。

將較低分辨率的樣本從圖像中篩選出來，然后再將其分辨率進行恢復，有利于減少傅里葉疊層成像數量。

3 結束語

本文開展基于ELM 改進K-SVD 算法的多特征融合物體成像識別分析，得到如下有益結果：

1）不論是從計算效率還是計算準確率來看，改進的K-SVD 算法表現出較佳優勢。

2）K-SVD 算法性能可通過ELM 顯著提升，算法識別準確率在多特征加入后也相應快速增長。