基于流形學(xué)習(xí)及導(dǎo)出核模型的目標(biāo)識別研究.pdf

1、隨著計(jì)算機(jī)視覺與模式識別技術(shù)的發(fā)展,目標(biāo)識別技術(shù)已被廣泛地應(yīng)用于軍事、航天、天文和智能視頻監(jiān)控等領(lǐng)域,是計(jì)算機(jī)視覺和模式識別領(lǐng)域的研究熱點(diǎn),開展目標(biāo)識別技術(shù)的研究具有重要的理論意義和實(shí)用價(jià)值。本文主要利用流形學(xué)習(xí)和分層學(xué)習(xí)理論開展研究,主要研究內(nèi)容如下:
　　(1)設(shè)計(jì)了一種紅外序列圖像小目標(biāo)識別算法。此算法基于張量型局部保持投影(Tensor Locality Preserving Projection,TLPP)而設(shè)計(jì),直接接

2、受矩陣形式的輸入。該算法不僅能夠利用TLPP算法的優(yōu)點(diǎn)來發(fā)現(xiàn)數(shù)據(jù)的本質(zhì)流形結(jié)構(gòu),而且具有較低的復(fù)雜度,其有效性在兩組紅外序列圖像上得到了驗(yàn)證。
　　(2)構(gòu)造了一種針對導(dǎo)出核(Derived Kernel,DK)模型的模板選取算法。模板在DK模型中扮演著重要的角色,性能良好的模板可以使得 DK模型能夠給出一種更加接近視覺感知的圖像相似性度量。本文給出的模板選取算法不僅減少了模板集合中的冗余而且利用了訓(xùn)練樣本的標(biāo)記信息,因而得到的模

3、板不僅數(shù)目少而且還具有較強(qiáng)的判別能力,使 DK模型更加適合目標(biāo)識別問題。在四個(gè)標(biāo)準(zhǔn)數(shù)據(jù)庫上的實(shí)驗(yàn)結(jié)果表明,此算法可使基于 DK模型的目標(biāo)識別算法在僅利用少量模板的情況下就可得到較高的識別精度。
　　(3)基于DK模型設(shè)計(jì)了一種具有分層結(jié)構(gòu)的特征提取算法。該算法主要由局部編碼和最大化聯(lián)合操作兩種運(yùn)算組成,則由其獲取的圖像特征被稱作局部神經(jīng)反應(yīng)(Local Neural Response,LNR)。算法中的局部編碼操作可以提取圖像中的

4、局部顯著特征,而最大化聯(lián)合操作可使提取的特征具有平移不變性。本文還證明了在滿足一定的前提下,該算法具有旋轉(zhuǎn)和尺度不變性。此外為了提高LNR算法的速度和判別能力,本文設(shè)計(jì)了一種與之配套的模板選取算法,從而可以獲得少量的有效模板。實(shí)驗(yàn)結(jié)果表明,與最新的特征提取算法相比該算法對圖像的局部形變以及復(fù)雜背景具有更好的魯棒性。
　　(4)針對一般目標(biāo)識別(General Object Recognition)任務(wù)構(gòu)造了一種有效的識別算法。該算

5、法首先通過基于不變描繪子的分層學(xué)習(xí)算法獲得一種新的圖像表示:基于不變描繪子的局部神經(jīng)反應(yīng)(Invariant Descriptor-based Local Neural Response,IDLNR),然后將得到的IDLNR輸入到一個(gè)適合處理大規(guī)模數(shù)據(jù)的線性分類器中,其中IDLNR的優(yōu)點(diǎn)是它能夠在很好地區(qū)分不同類別目標(biāo)的同時(shí),對圖像形變以及目標(biāo)類內(nèi)變化具有很好的不變性。我們在兩個(gè)具有挑戰(zhàn)性的數(shù)據(jù)庫上驗(yàn)證了算法的有效性,實(shí)驗(yàn)結(jié)果表明該算法