圖像分類中的判別性增強研究.pdf

1、數(shù)字圖像的智能分析與理解是當前多媒體研究領域的熱點和難點問題，圖像分類是數(shù)字圖像分析與理解中的一項最基本也是最重要的研究內容。圖像分類根據(jù)圖像的語義特點將圖像劃分為不同種類。它首先使用計算機視覺技術抽取圖像的視覺特征作為圖像的表達，然后借助機器學習的方法對圖像進行分類。對圖像分類的研究可以促進網(wǎng)絡圖像檢索、智能視頻監(jiān)控、生物特征識別等眾多實際應用的發(fā)展。
　　 雖然圖像分類具有廣闊的應用前景，但是當前對圖像分類的研究還遠遠不能滿

2、足實際應用的需要，這是因為在圖像分類中存在底層視覺描述與高層人類感知之間的語義鴻溝。在這個開放性的問題中起到關鍵作用的是分類系統(tǒng)判別能力的強弱。因此，本論文圍繞圖像分類中的判別性增強，開展了以下系統(tǒng)性的研究工作，取得了相關的研究成果:
　　 1)通過歸納總結當前最優(yōu)秀的底層特征編碼方法，提出使用圖像表達中的兩個基本元素——底層特征與視覺詞包之間的關系來進行底層特征編碼?？紤]到底層特征與視覺詞包的特性，本論文使用直接加性核映射的方

3、式將它們分別映射到一個高維空間中，在該空間中使用向量差的方式描述底層特征與視覺詞包之間的關系。本論文提出的方法更具一般性。研究結果表明，最后得到的底層特征編碼響應與傳統(tǒng)方法相比具有更強的判別性。在公開數(shù)據(jù)庫上的圖像分類的性能得到了提升。
　　 2)指出現(xiàn)有圖像表達方法中存在的兩個關鍵的局限性。為了降低圖像可變性對分類性能的影響，本論文提出基于可變性分析對影響圖像分類性能的潛在因子進行建模。同時，為了增強圖像表達的判別性，本論文提

4、出了一種判別式的圖像表達框架，該框架基于偏最小二乘方法，將每幅圖像表達成一個低維的特征向量。這極大地減輕了分類器的訓練和特征的存儲的負擔。由于該框架結合了圖像的類別標簽，因此最終的圖像表達在不同類別之間具有較強的判別性。在主流公開數(shù)據(jù)庫上的實驗結果驗證了本論文方法的有效性。
　　 3)提出了一種在線判別式的參數(shù)化圖像相似度度量學習算法。該算法結合當前最基本的圖像表達框架，提出使用圖像相似度成對約束的方法學習參數(shù)化的相似度度量。圖

5、像相似度成對約束將圖像類別信息進行了編碼，使得學習之后的同類別圖像之間的相似度要大于不同類別之間圖像之間的相似度，增強了相似度度量的判別性。同時，本論文提出的在線學習算法解決了基于成對約束而導致的大規(guī)模的學習問題。實驗結果表明，本論文提出的算法取得了優(yōu)異的分類性能，并且大幅度提升了傳統(tǒng)離線算法的學習效率。
　　 4)針對圖像分類中的分類器模型提出了一種全局和局部分類器訓練方法。以監(jiān)控場景中的運動目標為研究載體，本論文分析了多類分