学位论文 > 优秀研究生学位论文题录展示

城区复杂背景条件下的目标识别算法研究

作　者: 杨镇宇
导　师: 黄席樾
学　校: 重庆大学
专　业: 控制理论与控制工程
关键词: 图像处理目标识别支持向量机集成学习混合核函数
分类号: TP391.41
类　型: 硕士论文
年　份: 2009年
下　载: 149次
引　用: 3次
阅　读: 论文下载

内容摘要

目标识别是当前数字图像处理和模式识别领域的研究热点之一,其应用范围十分广泛。基于统计学习理论的支持向量机(SVM, Support Vector Machine),遵循结构风险最小化原则,有效解决了传统模式识别方法容易出现的过学习和欠学习问题,成为当前模式识别领域的首选。本文以智能汽车主动安全预警系统为背景,以城区复杂交通背景下的车辆、行人等目标为研究对象,对支持向量机在目标识别中的应用进行了讨论和研究,并提出了一种基于支持向量机和集成学习的目标识别的新方法。文中首先对城区交通环境下的车辆、行人等目标进行检测,为后续的目标识别提供条件。在对图像进行灰度化、平滑去噪等预处理之后,使用Sobel算子垂直方向掩模计算图像感兴趣区域内的边缘梯度,确定候选区域;然后利用目标图像垂直边缘具有对称性的特点,分析候选区域的对称性强弱,计算其对称轴位置;最后结合边缘、底部阴影、外形高宽比等多种特征在对称轴附近搜索候选目标的外接轮廓矩形,从而检测出目标所在区域。然后,本文提出了一种基于混合核函数的AdaBoost-SVM多类分类算法,并将该算法运用于城区障碍物目标的分类识别上。该算法将多项式核函数和径向基核函数结合起来,组成的混合核函数作为支持向量机的核函数,并结合AdaBoost集成学习对核函数参数进行自适应调整,通过AdaBoost学习得到一组精度适当且差异性较大的弱分类器,然后将这组弱分类器加权组合得到一个强分类器。在对检测的目标进行分类识别之前,首先获取城区障碍物的样本并提取其特征,得到一组由几何特征高宽比、不变矩特征和纹理特征等组成的特征向量;而后将样本的特征向量作为输入数据,按照本文提出的多类分类算法进行训练,得到强分类器。最后用训练好的分类器对实时检测到的目标当作未知新样本进行测试,以确定目标所属的具体类别。实验表明,本文的算法具有较高的识别精度和识别效率,具有较好的泛化性能,能满足实际应用的需求。

全文目录

摘要  3-4
ABSTRACT  4-8
1 绪论  8-19
  1.1 选题背景和意义  8-9
  1.2 目标检测技术及其研究现状  9-15
    1.2.1 单帧图像目标检测  9-13
    1.2.2 序列图像目标检测  13-15
  1.3 目标识别技术及其研究现状  15-17
  1.4 本文的创新点及内容安排  17-19
2 支持向量机和集成学习的理论知识  19-36
  2.1 统计学习理论  19-22
    2.1.1 统计学习一致性条件  19-20
    2.1.2 推广性的界  20-21
    2.1.3 结构风险最小化原则  21-22
  2.2 支持向量机的基本理论  22-31
    2.2.1 支持向量机模型  22-28
    2.2.2 支持向量机的核函数  28-29
    2.2.3 支持向量机多类分类方法的研究  29-30
    2.2.4 支持向量机的特点及其优势  30-31
  2.3 集成学习的基本理论  31-36
    2.3.1 集成学习的概念  32-33
    2.3.2 集成学习的框架  33
    2.3.3 典型的集成学习算法  33-36
3 图像预处理和目标区域的检测  36-54
  3.1 图像预处理  36-40
    3.1.1 彩色图像灰度化  36-37
    3.1.2 图像的平滑去噪  37-40
  3.2 图像边缘检测  40-43
    3.2.1 Robert 边缘算子  41
    3.2.2 Laplacian 边缘算子  41-42
    3.2.3 Prewitt 边缘算子  42
    3.2.4 Sobel 边缘算子  42-43
  3.3 基于边缘对称性和多特征融合的目标检测  43-53
    3.3.1 边缘检测及梯度统计  44-48
    3.3.2 对称性分析及候选区域验证  48-50
    3.3.3 基于多特征融合的目标外接矩形检测  50-52
    3.3.4 目标检测结果及分析  52-53
  3.4 本章小结  53-54
4 城区目标识别算法研究  54-70
  4.1 目标特征提取  54-57
    4.1.1 目标的全局特征  55-56
    4.1.2 目标的纹理特征  56-57
  4.2 基于支持向量机和集成学习的目标识别  57-66
    4.2.1 混合核函数及其参数选择分析  57-59
    4.2.2 AdaBoost 集成学习  59-60
    4.2.3 多类分类器树型结构设计  60-61
    4.2.4 基于混合核函数的AdaBoost-SVM 多类分类算法  61-66
  4.3 目标识别结果及分析  66-68
  4.4 本章小结  68-70
5 总结与展望  70-72
致谢  72-73
参考文献  73-80
附录  80

城区复杂背景条件下的目标识别算法研究

内容摘要

全文目录

相似论文