11.5  实验结果与分析

11.5 实验结果与分析

为了衡量本章提出的PCA-CCA方法的有效性，将提取的可见光与红外图像的特征组成特征向量，首先利用PCA方法对标准化后的特征向量进行降维，然后再利用CCA方法求出融合特征，最后利用支持向量机方法对融合特征进行识别分类。

图11-2和图11-3分别为可见光和红外图像的主成分Pareto图和累计贡献率图。

利用CCA方法对由PCA提取的特征向量X和Y进行融合处理，首先计算出X与Y中样本的总协方差矩阵Σ₁₁、Σ₂₂及互协方差矩阵Σ₁₂，再计算出矩阵A（即Σ₁^-11Σ₁₂Σ₂^-21Σ₂₁）和矩阵B（即Σ₂^-21Σ₂₁Σ₁^-11Σ₁₂），见表11-1和表11-2。

图11-2 可见光图像各主成分及其累计贡献率图

图11-3 红外图像各主成分及其累计贡献率图

表11-1 CCA方法计算出的矩阵A

表11-2 CCA方法计算出的矩阵B

分别求出上述矩阵A和矩阵B的特征值和特征向量a和向量b，见表11-3和表11-4。

表11-3 典型相关向量矩阵a

表11-4 典型相关向量矩阵b

利用CCA方法求出的前5对典型相关变量见表11-5。

表11-5 典型相关变量

最后，在MATLAB7.1环境中使用改进的CCA方法进行融合识别实验，并使用支持向量机方法对融合特征进行分类识别，识别率见表11-6。

表11-6 三种方法识别率及运行时间比较

分析比较表11-6中数据可以看出，PCA-CCA方法比单独的PCA方法和CCA方法识别率要高，且运行时间较短。