奇异值分解和主成分分析在车型识别中的应用.DOCVIP

矩阵论大作业 姓名：左岩 班级：研1104 学号：20111010233  奇异值分解和主成分分析在车型识别中的应用 若矩阵则存在正交矩阵------------------------------------------------------------(2.4) 因此，V的列向量vi称为矩阵A的右奇异值(right singular vector)，V称为A的右 奇异值向量矩阵(right singular vector matrix)。 m ×m矩阵U是酉矩阵，用UH左乘式(2.3)，得U HA =∑V，其列向量形式为 -------------------------------------------------------(2.5) 因此，U的列向量ui称为矩阵A的左奇异值(left singular vector)，并称U为A的 左奇异值向量矩阵(left singular vector matrix) (3)奇异值与范数的关系 矩阵A的谱范数等于A的最大奇异值，即 llAllspec=σ1…………...…………….…..…….(2.6) 根据矩阵的奇异值分解定理，并注意到矩阵A的Frobenious范数llAllF是酉不变的，即 llU HAVll F=llAllF，故有 --- --------------------------------(2.7) 即是说，任何一个矩阵的Frobenious范数等于该矩阵所有非零奇异值平方和的正平方根。 考虑矩阵A的秩k的近似，并将其记作AK，其中k r =rank (A)。矩阵AK定义如下： -----------------------------------------------------------(2.8) 则A与秩为k的任一矩阵B之差的1范数和Frobenious范数分别为---------------------------------(2.9) 这一重要结果是许多概念和应用的基础。例如，总体最小二乘、数据压缩、图像处理、动态系统实现理论，以及线性方程的求解等问题都需要用一个低秩矩阵来近似A。 若p =min(m, n)，且σ1,σ2,σ3,是矩阵Am*n的奇异值，则 -------------------------------------------------(2.11) 矩阵行列式的绝对值等于矩阵奇异值之乘积，即det(A)l=σ1σ2----σp- 2.3奇异值分解的意义 (1)奇异值具有良好的稳定性 定理2.2假设A, B ∈Rm*nA, B的奇异值分别为σ1≥σ2≥----------≥σp≥0， Τ1≥τ2≥≥τp≥，其中p =min(m, n)， 定理2.3说明如果对矩阵A和a ×A的奇异值进行标准化处理，则可实现奇异值的比例不变性，即对矩阵的行或列进行置换运算，其奇异值特征不变。 (3)奇异值的旋转不变性 定理2.4 假设A ∈Rm*n，矩阵A的奇异值为σi(i=1,2, p)，其中p =min(m, n)，若P为酉矩阵，则矩阵PA的奇异值与矩阵A的奇异值相同，即 定理2.4说明对矩阵作旋转运算和置换运算，该矩阵的奇异值特征不变。(4)奇异值的降维压缩特性。 基于奇异值分解的车型识别 在生物识别中，良好的特征提取有益于识别率的提高。在各种特征类别中，代数特征反映了图像的内在属性，是一种本质特征，而奇异值特征正是一种性质良好的代数特征。1991年Hong提出了基于奇异值分解的人脸识别方法，将奇异值作为识别特征，错误识别率为42.67%。在随后的几年中，国内外的很多学者针对奇异值特征在人脸识别领域[47][48]做了大量的研究，通过将奇异值分解与其他方法相结合使得人脸识别的正确识别率不断地提高。 提出了单独将奇异值作为特征值并不能包括足够的人脸识别特征，并论证了奇异值、左奇异值和右奇异值作为识别特征的有效性。本文通过研究奇异值分解在人脸识别领域的应用，受到启发提出将奇异值分解方法引入到车型识别领域中来，即通过车辆图像矩阵的奇异值分解得到各种车型实体的本质特征来完成车型识别。 基于奇异值分解的车型识别系统主要包括车辆图像预处理、车型图像特征提取和决策分类三大过程，其具体实现过程可由下面的车型识别框图看出： 4.2.1预处理 车辆的特征提取是车型识别中的重要步骤，但是由于自然环境和采集装置的 局