基于機器學習的多傳感器目標識別技術(shù)研究.pdf

1、本文研究了基于機器學習的多傳感器目標識別技術(shù)，針對能夠?qū)?SIFT高維特征向量表示成低維特征向量的“詞袋”模型的構(gòu)建進行了改進，并將其應(yīng)用到了全局特征和局部特征結(jié)合以及紅外和可見光圖像融合的目標識別中。
　　首先，研究了基于全局特征的目標識別。對支持向量機分類的原理進行了研究，使用一對一法構(gòu)建了基于支持向量機的多分類器，提取了可見光圖像的LBP特征之后，使用支持向量機對其進行分類識別時出現(xiàn)了樣本得不到分類識別的情況。對此提出了兩個

2、改進策略，通過實驗對比說明了兩個策略各自的特點。
　　其次，研究了基于局部特征的目標識別。對使用k-means聚類算法的“詞袋”模型進行了改進，在已有的k-means聚類算法的研究基礎(chǔ)之上做出了相應(yīng)的改進工作，通過使用 UCI數(shù)據(jù)集對改進后的算法進行實驗，結(jié)果證明了改進后的算法在聚類效果上要優(yōu)于改進前的聚類效果。使用改進后的聚類算法構(gòu)建了基于SIFT的“詞袋”模型并進行了實驗，結(jié)果證明了改進后的算法可以提高目標的識別率。