基于差分进化极端学习机汽车商标图像检索.docVIP

基于差分进化极端学习机汽车商标图像检索 　　摘 要：研究汽车商标图像的检索对道路交通安全、驾驶辅助系统开发将起到重要作用。利用极端学习机快速收敛的特点，以HU不变矩作为主要特征值训练极端学习机，并针对不同检索目标选择不同的训练特征参数，设定Harris角点与质心的距离比作为特征值，以检索不同类型汽车商标图像。采用差分进化算法训练极端学习机的输入权值与隐层偏置值，避免了极端学习机的随机性，提高检索精度。实验结果表明，引入新的特征值和使用差分进化算法训练极端学习机都对检索结果有明显的改善。 　　关键词：图像检索;极端学习机;差分进化;特征提取 　　引言 　　汽车主动安全技术也成为近年来研究的热点，利用多种传感器和先进的信号处理技术为驾驶者提供驾驶辅助，甚至在紧急安全时刻主动介入驾驶。智能机器视觉技术应用在汽车安全辅助驾驶上已得到广泛关注，针对汽车商标的图像检索是汽车安全驾驶中机器识别的一部分[1]。文章研究基于内容的汽车商标图像检索方法，力图通过有效的机器学习方法在线找到检索目标[2]。 　　极端学习机（Extreme learning machine， ELM）已被证明是快速并有效的单隐层前馈神经网络[3]。在车标检索中引入ELM算法，能在很大程度上提高检索速度，进而提高安全驾驶中机器视觉的精度与速度。但是，由于ELM算法输入权值与隐层偏置值多采用随机方法设置，有时会使网络的隐层输出矩阵H无法达到列满秩，进而降低ELM的有效性。因此，文章采用差分进化算法（Differential evolution ，DE）算法训练ELM的输入权值与隐层偏置值来提高网络的鲁棒性，从而提高图像检索精度[4]。 　　本试验选用典型的七个HU不变矩特征作为图像特征值[5]，并引 　　入三个距离比作为新的特征值，将差分进化算法和极端学习机相结合，建立DE_ELM汽车商标的检索模型，通过多组试验验证算法的有效性。 　　1 极端学习机算法 　　ELM作为一类单隐层前馈神经网络学习算法与一般的前馈神经网络算法（如BP算法）相比不同。ELM是通过解方程的方式一次性求出网络的输出权值，从而提高训练速度。 　　（1）ELM基本原理如下： 　　 给定N个训练样本{xi，ti}，其中 　　 i=1，2，3，…，N， 　　则由M个隐层节点，激活函数为g（a，x，b），可构造一个单隐层前馈神经网络。 　　（2）ELM的数学模型为： 　　（1） 　　 　　其中ai是连接输入节点到第i个隐层节点的输入权值;βi为连接第i个隐层节点与输出神经元的输出权值;bi为第i个隐层节点的偏置值。将上述给定的N个训练样本带入式（1）中可得： 　　 Hβ=T （2） 　　 这里的H为隐层输出矩阵。一般情况下隐层节点数远小于训练样本数，H不可能方阵，就只能求出其伪逆，即Moore-Penrose 广义逆。解（2）式中的方程得到输出权值矩阵如下： 　　 =H+T （3） 　　（3）综上得ELM算法的训练步骤如下： 　　给定一组训练样本集{xi，ti}，激活函数g（x）以及M个隐层神经元。 　　a.随机产生输入权值ai和隐层偏置值bi;b.生成随机隐层输出矩阵H;c.根据式（3）计算隐层输出权值。 　　2 差分进化算法 　　差分进化算法作为一种模拟生物进化的随机模型，是一种新兴的进化计算技术。适于求解一些利用常规的数学规划方法所无法求解的复杂环境中的优化问题。DE的迭代包括4个基本步骤：初始化、突变、重组和选择。最后三个一直重复直到满足停止准则。 　　（1）初始化： 　　随机产生数量为NP的初始种群X，最初的一组实验向量为D维，xi=[xi1，xi2，…，xiD]，其中?i∈[1，NP]。 　　（2）变异操作： 　　（4） 　　根据式（4），DE为每个个体xi，G生成一个对应的临时个体vi，G，名为变异个体。这里的r1，r2，r3是在[1，NP]范围内随机选取的。G为进化代数，F∈[0，2]为缩放因子。 　　（3）交叉操作： 　　其中 　　（5） 　　交叉也称为重组，由式（5）混合目标个体xi，G与变异个体可产生一个新的实验个体，CR为交叉概率，其作用是保证变异个体中至少有一维解被继承到新的候选解中。 　　（4）选择操作： 　　（6） 　　根据式（6）进行选择操作。这里的f（x）为待最小化的目标函数，故如若新的实验个体的函数值不大于目标个体的函数值，它将取代目标个体进入下一代。否则，目标个体不变。DE的收敛性依赖于参数F与CR。文章选取F与CR的值分别为2，0.5。 　　3 改进的极端学习机 　　 针对极端学习机输入权值与隐层节点的随意性，采用差分进化极端学习机，即，DE_ELM学习机。DE_ELM的基本思