¿Qué es Extracción de características?
Un conjunto de transformaciones realizadas en los datos de medición originales (señal) del patrón de entrada para describir o clasificar eficazmente el patrón en un espacio de características con una dimensión más baja que la señal original (ver reconocimiento de patrón estadístico). La extracción de características se puede realizar mediante transformación de una o varias etapas.
En el caso de múltiples etapas, la salida de la etapa anterior se convierte en la entrada de la siguiente etapa. La señal de salida de dimensión inferior puede ser una cierta combinación lineal o no lineal de la señal de entrada de dimensión superior, o puede ser simplemente un subconjunto de la señal de entrada. En el último caso, esta transformación también se denomina selección de características.
De acuerdo con los requisitos reales del sistema de reconocimiento, las características clave necesarias para generar o expresar el patrón se pueden obtener de la señal original a través de la extracción de características. Por ejemplo, el contorno y la forma del objetivo se pueden extraer de la escala de grises original imagen de la escena, o se puede extraer Aquellos rasgos distintivos que solo son válidos para la clasificación.
Generalmente, el espacio de medición compuesto por la señal original tiene una dimensionalidad muy alta, por ejemplo, la dimensionalidad de la imagen en escala de grises obtenida por la cámara puede alcanzar más de 256 × 256. Úselo directamente para la clasificación.
Por un lado, la cantidad de cálculo es grande y, lo que es más importante, diferentes condiciones de medición, como un pequeño movimiento de la posición de la cámara, cambios en la intensidad de la iluminación, etc., pueden causar grandes cambios en el vector. que representa el mismo modo en el espacio de medición. Por lo tanto, es muy difícil clasificar directamente en el espacio de medición en muchos casos. En problemas reales, los datos originales a menudo contienen información redundante o repetitiva.
Para reducir el costo de todo el sistema de identificación para obtener los datos de medición y la carga de trabajo de cálculo correspondiente, y para mejorar el rendimiento del sistema de identificación, también es necesario utilizar la extracción y selección de características para cambiar el modo Transformar a un espacio de características de menor dimensionalidad.
Se puede considerar que la extracción de características es un paso clave en el reconocimiento de patrones. Proporcionado por el espacio de medición del modo D -vector dimensional x expresado en el espacio de características con d -vector dimensional y representa el extractor de características lineales ax se convierte en y de d × D una matriz de rango A , es decir, y = Ax .
Los principales métodos de extracción y selección de características son: Transformación lineal basada en la expansión de K. Levi. Dada una clase de transformación, seleccione una transformación óptima A en la clase de transformación bajo un criterio prescrito (por ejemplo, una función de criterio relacionada con el límite superior de la probabilidad de error) .
El conjunto de características obtenido a partir de la medición o la característica que ha sido transformada por la etapa anterior se concentra bajo un cierto criterio, y se obtiene un subconjunto óptimo o subóptimo usando un algoritmo de búsqueda, o de arriba a abajo o de abajo. hasta el algoritmo, para lograr el propósito de la selección de características. Métodos de mapeo no lineales, como el método de calibración multidimensional y el método de mapeo de parámetros.
Al implementar un sistema de reconocimiento de patrones específico, el vector de características obtenido mediante la extracción de características determina en gran medida el rendimiento del sistema de reconocimiento. Por tanto, por un lado, es necesario realizar un análisis en profundidad de todos los aspectos del objeto de reconocimiento, en la medida de lo posible determinar algunas características que sean efectivas para el reconocimiento; por otro lado, debe combinarse con el diseño del clasificador y experimentos repetidos para obtener resultados satisfactorios.
Mira estos Artículos