Porównanie dwóch klasyfikatorów opartych na metodzie DTW i połączonych metodach PCA-LDA do rozpoznawania obiektów morskich na podstawie obrazów FLIR

• Autorzy: Pietkiewicz Tadeusz

Identyfikatory

DOI

10.15199/48.2019.11.51

Warianty tytułu

EN

Comparison of two classifiers based on the method of comparing time series DTW and the combined PCA-LDA methods to recognize maritime objects upon FLIR images

• Języki publikacji: PL

Abstrakty

PL

Praca dotyczy rozpoznawania obiektów morskich na podstawie ich obrazów wykonanych przez sensory podczerwieni (FLIR – forward looking infra-red). W pracy zaproponowano wykorzystanie połączonych transformat analizy głównych składowych PCA (Principal Component Analysis) i liniowej analizy dyskryminacyjnej LDA (Linear Discriminant Analysis) oraz transformaty dopasowania szeregów czasowych DTW (Dynamic Time Warping) wraz z metodą wyznaczania odległości dwóch szeregów czasowych za pomocą algorytmu programowania dynamicznego.

EN

This paper presents methods of recognition of maritime objects based on FLIR (forward looking infra-red) sensor images. Two methods of recognition are proposed: a method of combined transforms of the Principal Component Analysis PCA with the Linear Discriminant Analysis LDA and the DTW (Dynamic Time Warping) transform with the method of determining the distance of two time series by means of a dynamic programming algorithm.

Słowa kluczowe

PL

rozpoznanie obrazowe w podczerwieni; klasyfikator PCA-LDA; klasyfikator DTW

EN

FLIR image recognition; PCA-LDA classifier; DTW classifier

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2019
• Tom: R. 95, nr 11
• Strony: 215--222
• Opis fizyczny: Bibliogr. 28 poz., rys., tab.

Twórcy

autor

Pietkiewicz Tadeusz

• Wojskowa Akademia Techniczna, Wydział Elektroniki, Instytut Radioelektroniki, ul. Gen. S. Kaliskiego 2, 00-908 Warszawa

Bibliografia

• [1] Atalay I., Face Recognition Using Eigenface, Istanbul Technical University, Turkey, 1996. URL http://www.ilkeratalay.com/download/eigenfaces_msc_thesis.p df (dostęp 20.10.2014 r.)
• [2] Gouaillieri V., Gagnon L., Ship Silhouette Recognition Using Principal Components Analysis, SPIE Proc. #3164, Conference "Applications of Digital Image Processing XX", San Diego, 1997
• [3] Jafri R., H. Arabina R., A Survey of Face Recognition Techniques, Journal of Information Processing Systems, Vol.5, No.2, June 2009
• [4] Smith L. I., A tutorial on principal components analysis, February 2002. URL http://www.cs.otago.ac.nz/cosc453/ student_tutorials/prin cipal_components.pdf (dostęp 20.10.2014 r.).
• [5] Tat-Jun Chin, Suter D., A Study of the Eigenface Approach for Face Recognition, MECSE-6-2004, Monash University, 2004
• [6] Turk M., Pentland A., Eigenfaces for Recognition, Journal of Cognitive Neuroscience, vol. 3, no. 1, 1991, 71-86. URL http://www.cs.ucsb.edu/~mturk/Papers/jcn.pdf (dostęp 20.10.2014 r.)
• [7] Turk M., Pentland A., Face Recognition Using Eigenface. Proc. IEEE Conference on ComputerVision and Pattern Recognition. IEEE, June 1991, 586-591. URL http: //www.cs.wisc.edu/~dyer/cs540/handouts/mturk-CVPR91.pdf (dostęp 20.10.2014 r.)
• [8] Zhao W., Chellappa R., Phillips P.J., Rosenfeld A., Face Recognition: A Literature Survey, ACM Computing Surveys, Vol. 35, No. 4, December 2003, 399-458
• [9] Gonzalez R.C., Woods R.E., Digital Image Processing, Ed. 3, Pearson Prentice Hall, 2008
• [10] Jouan A., Valin P., Bossé É., Concepts of data/information fusion for naval C2 and airborne ISR platforms, Defence R&D Canada - Valcartier, Technical Report DRDC Valcartier, TR 2004-284, November 2006
• [11] Malina W., Smiatacz M., Cyfrowe przetwarzanie obrazów, Akademicka Oficyna Wydawnicza EXIT, Warszawa 2008
• [12] Park Y., Sklansky J., Automated Design of Linear Tree Classifiers, Pattern Recognition, Vol. 23, No. 12, 1990, 1393-1412
• [13] Valin P., Methods for the Fusion of Multiple FLIR Classifiers, [w] Proceedings of the Workshop on Signal Processing, Communication, Chaos and Systems: a Tribute to Rabinder N. Madan, June 20, 2002, Newport, RI, 2002, 117-122
• [14] Valin P., Bossé É., Jouan A., Airborne application of information fusion algorithms to classification, Defence R&D Canada - Valcartier, Technical Report DRDC Valcartier, TR 2004-282, May 2006
• [15] Müller M., Information Retrieval for Music and Motion, Springer-Verlag Berlin Heidelberg, 2007, 69-84
• [16] Teisseyre P., Porównanie szeregów czasowych z wykorzystaniem algorytmu DTW. Instytut Podstaw Informatyki, Polska Akademia Nauk
• [17] Giorgino T., Computing and Visualizing Dynamic Time Warping Alignments in R: The DTW Package. Journal of Statistical Software, vol. 31, iss. 7, August 2009
• [18] Smiatacz M., Eigenfaces, Fisherfaces, Laplacianfaces, Marginfaces - how to face the face verification task. Proceedings of the 8th International Conference on Computer Recognition Systems CORES 2013. Advances in Intelligent Systems and Computing, vol 226. Springer, Heidelberg, 187-196. doi: 10.1007/978-3-319-00969-8_18
• [19] Belhumeur P.N.; Hespanha J.P., Kriegman D.J., Eigenfaces vs. Fisherfaces: recognition using class specific linear 222 PRZEGLĄD ELEKTROTECHNICZNY, ISSN 0033-2097, R. 95 NR 11/2019 projection. IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 19, iss. 7 , Jul 1997, 711-720
• [20] Juwei Lu, Plataniotis K.N., Venetsanopoulos A.N., Face recognition using LDA-based algorithms. IEEE Transactions on Neural Networks, volume: 14, Issue: 1, Jan 2003, 195-200
• [21] Chen L.-F., Mark Liao H.-Y., Ko M.T., Lin J.-C., and Yu G.-J., A new LDA-based face recognition system which can solve the small sample size problem. Pattern Recognition, vol. 33, 2000, 1713-1726
• [22] Yu H., Yang J., A direct LDA algorithm for high-dimensional data with application to face recognition. Pattern Recognition, vol. 34, 2001, 2067-2070
• [23] Pietkiewicz T., A method of recognition of maritime objects based on FLIR (forward looking infra-red) sensor images using dynamic time warping. Proc. SPIE 10434, Electro-Optical Remote Sensing XI, 1043409 (5 October 2017); doi: 10.1117/12.2278419
• [24] Pietkiewicz T., Application of fusion of two classifiers based on principal component analysis method and time series comparison to recognize maritime objects upon FLIR images. Proc. SPIE 11055, XII Conference on Reconnaissance and Electronic Warfare Systems, 110550Z (27 March 2019); doi: 10.1117/12.2524975.
• [25] Pietkiewicz T., Sikorska-Łukasiewicz K., Comparison of two classifiers based on neural networks and the DTW method of comparing time series to recognize maritime objects upon FLIR images. Proc. SPIE 11055, XII Conference on Reconnaissance and Electronic Warfare Systems, 110550V (27 March 2019); doi: 10.1117/12.2524918.
• [26] Pietkiewicz T., Matuszewski J., Recognition of maritime objects based on FLIR images using the method of eigenimages. IEEE Xplore Digital Library, 2018 14th International Conference on Advanced Trends in Radioelecrtronics, Telecommunications and Computer Engineering (TCSET), Lviv-Slavske, Ukraine, 20-24 Feb. 2018, doi: 10.1109/TCSET.2018.8336345.
• [27] Matuszewski J., Radar signal identification using a neural network and pattern recognition methods. IEEE Xplore Digital Library, 2018 14th International Conference on Advanced Trends in Radioelecrtronics, Telecommunications and Computer Engineering (TCSET), Lviv-Slavske, Ukraine, 29-24 Feb. 2018, 79-83, doi: 10.1109/TCSET.2018.8336160.
• [28] Osowski S., Metody i narzędzia eksploracji danych, BTC, Legionowo, 2013, 217-231

Uwagi

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2019).