场景分类与道路场景异常识别算法研究

发布时间：2017-04-15 01:02

  本文关键词：场景分类与道路场景异常识别算法研究，由笔耕文化传播整理发布。

【摘要】：作为模式识别的一个重要分支,场景理解一直备受国内外研究人员的广泛关注。目前,学术界的研究对象主要集中于正常场景图像,对场景异常识别方面的研究比较少。然而,在现实生活中,往往是场景中出现的异常现象会对人类的活动产生不利的影响甚至对公共安全构成潜在的威胁,故场景分类预测和异常场景识别均有研究价值。本文分别对场景理解中的目标识别和场景分类进行探讨分析,在改进既有的分类算法和识别算法同时,对给定的道路场景的异常区域进行识别,主要工作如下：改进了基于深度学习的场景分类算法。使用深度学习提取场景图像的代表性特征,结合交叉验证的思想对训练集进行分离重组,并以此训练多个SVM分类器,然后通过设计投票机制,训练多级SVM分类器对输入场景进行预测。实验表明,该方法具有很高的分类精度。给出了一种基于SIFT-Flow的异常场景图像检测算法。在给定的场景中,可能出现的物体的范围存在一定的界限。当场景中出现正常范围之外的物体时,便定义场景中发生了异常。为了更加有效地检测场景中的物体,本文提出利用改进后的SIFT-Flow算法对图像的局部特征进行描述。通过利用已标注的图像对SVM分类器进行训练,最终实现对输入场景图片的异常检测。实验表明,SIFT-Flow算法不仅能实现对相近场景的分类预测,还可以有效地识别异常场景,而且具有很高的识别率。应用Selective Search算法对场景中的异常区域进行分割。通过对场景中的感兴趣区域进行分割,利用各窗口的特征训练异常检测分类器,最终实现图像异常区域的识别。实验证明,该算法可以有效地分割出异常区域。
【关键词】：场景分类 SVM 深度学习 SIFT-Flow Selective Search 异常检测
【学位授予单位】：北京交通大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41
【目录】：

• 致谢5-6
• 摘要6-7
• ABSTRACT7-11
• 1 绪论11-21
• 1.1 研究背景及意义11-12
• 1.2 场景理解的主要应用12-14
• 1.3 研究现状与发展趋势14-17
• 1.3.1 场景分类的研究现状与发展趋势14-16
• 1.3.2 异常场景识别的研究现状与发展趋势16-17
• 1.4 本论文的主要研究内容和安排17-21
• 1.4.1 论文的研究思路17-18
• 1.4.2 研究内容和方法18-19
• 1.4.3 论文的组织结构19-21
• 2 场景图像的特征提取算法研究21-31
• 2.1 场景图像的特征提取概述21-25
• 2.1.1 场景的主体与背景21-22
• 2.1.2 物体的信息提取22-23
• 2.1.3 常用场景图像特征的提取算法23-24
• 2.1.4 场景图像的特征评价24-25
• 2.2 深度学习图像特征提取算法25-28
• 2.3 SIFT-Flow算法28-30
• 2.3.1 图像间的信息匹配28-29
• 2.3.2 SIFT-Flow密集匹配29-30
• 2.4 本章小结30-31
• 3 基于深度学习的场景图像分类研究31-45
• 3.1 场景分类中的信息提取31-33
• 3.2 多级SVM训练33-35
• 3.2.1 训练机制33-34
• 3.2.2 代表特征集提取34-35
• 3.2.3 投票机制35
• 3.3 输入特征与目标类别间的相似度测量35-37
• 3.4 多级分类器预测流程37-38
• 3.5 实验结果分析38-44
• 3.5.1 最邻域分类算法预测场景类别39-42
• 3.5.2 投票式分类算法预测场景类别42-44
• 3.6 本章小结44-45
• 4 基于SIFT-Flow的道路场景的异常识别研究45-65
• 4.1 场景图像的特征提取45-49
• 4.2 标准图像库的构建49-51
• 4.2.1 标准图像的定义49-50
• 4.2.2 K-means聚类算法50
• 4.2.3 Bag of Words模型实现聚类50-51
• 4.3 场景图像的位移图51-53
• 4.3.1 密集匹配52
• 4.3.2 位移矢量图的融合52-53
• 4.4 SIFT-Flow的图像表达53-56
• 4.4.1 图像分块53-54
• 4.4.2 匹配图直方图化54-56
• 4.5 实验结果分析56-64
• 4.5.1 实验数据库与方法56-59
• 4.5.2 不同采样间隔下的分类精度比较59-60
• 4.5.3 不同分割方式的实验结果60-62
• 4.5.4 不同数量标准图像下的识别结果62
• 4.5.5 与其它识别算法的比较62-64
• 4.6 本章小结64-65
• 5 预测场景图像异常区域的研究65-79
• 5.1 图像分割算法65-67
• 5.1.1 超像素分割65-67
• 5.1.2 道路检测算法67
• 5.2 提取场景图像中的道路区域67-69
• 5.3 建立正常局部模型69-73
• 5.3.1 目标窗口提取70-71
• 5.3.2 种子区域选取71
• 5.3.3 训练目标分类器模型71-72
• 5.3.4 异常目标检测算法72-73
• 5.4 实验结果分析73-78
• 5.4.1 道路区域提取74
• 5.4.2 感兴趣窗口检测74-75
• 5.4.3 异常窗口识别75-78
• 5.5 本章小结78-79
• 6 总结与展望79-81
• 6.1 总结79
• 6.2 展望79-81
• 参考文献81-85
• 作者简历及攻读硕士学位期间取得的研究成果85-89
• 学位论文数据集89

【相似文献】

中国期刊全文数据库 前10条

1 韩秀苓，程凡，高建林，李传光;管道自适应有源噪声控制算法[J];Journal of Beijing Institute of Technology(English Edition);1995年01期

2 陶新民;徐晶;童智靖;刘玉;;不均衡数据下基于阴性免疫的过抽样新算法[J];控制与决策;2010年06期

3 赵国峰;闫亮;;用于快速流分类的关键字分解Hash算法[J];计算机工程;2010年16期

4 郭雷勇;谭洪舟;高守平;郭笑梅;;RFID系统阅读器反碰撞算法分类与研究[J];计算机技术与发展;2009年09期

5 郝水侠,李凡长;多Agent的并行思智算法[J];计算机工程与应用;2004年10期

6 刘贝家;方景龙;;基于SVDD的多示例学习算法[J];科技通报;2011年02期

7 田大东;邓伟;;基于不同惩罚系数的SMO改进算法[J];计算机应用;2008年09期

8 许敏;王士同;顾鑫;;TL-SVM:一种迁移学习算法[J];控制与决策;2014年01期

9 李雅林;张化祥;张顺;;基于近邻加权及多示例的多标记学习改进算法[J];计算机工程与应用;2013年16期

10 罗玉华,李三立;RISC多发射结构中循环优化的软件流水算法[J];计算机学报;1993年09期

中国博士学位论文全文数据库 前10条

1 吴涛;粒子群及量子行为粒子群优化算法的改进研究[D];西南交通大学;2014年

2 徐勇;分布式压缩感知的算法及其应用研究[D];中国地质大学;2015年

3 蔡先发;基于图的半监督算法及其应用研究[D];华南理工大学;2013年

4 蒋良孝;朴素贝叶斯分类器及其改进算法研究[D];中国地质大学;2009年

5 李美安;普适分布式互斥算法及应用[D];电子科技大学;2007年

6 孙岩;贝叶斯网络结构学习算法研究与应用[D];大连理工大学;2010年

7 吴伟宁;主动学习算法中采样策略研究[D];哈尔滨工业大学;2013年

8 汪庆淼;基于目标函数的模糊聚类新算法及其应用研究[D];江苏大学;2014年

9 戴朝华;搜寻者优化算法及其应用研究[D];西南交通大学;2009年

10 李小冬;核极限学习机的理论与算法及其在图像处理中的应用[D];浙江大学;2014年

中国硕士学位论文全文数据库 前10条

1 李超;基于标签传播及适合度的社团聚类算法研究[D];西南大学;2015年

2 刘晨曦;RFID定位VIRE算法的研究与改进[D];贵州师范大学;2015年

3 马睿;利用岩石光谱和改进的PC算法实现矿物的识别[D];新疆大学;2015年

4 万猛;推荐系统攻击检测算法的研究[D];电子科技大学;2014年

5 刘排;基于OMNeT++的无线传感器网络节点定位改进算法的研究[D];河北工业大学;2015年

6 陈辰;无线通信领域MIMO检测类算法的硬件加速技术研究[D];国防科学技术大学;2013年

7 韩超;场景分类与道路场景异常识别算法研究[D];北京交通大学;2016年

8 段沛博;分布式约束优化算法若干问题研究[D];东北大学;2013年

9 王丽红;基于模糊聚类的社区发现算法研究[D];浙江工业大学;2014年

10 刘恒;基于重复数的最短循环请求集生成算法研究[D];内蒙古农业大学;2014年

  本文关键词：场景分类与道路场景异常识别算法研究，，由笔耕文化传播整理发布。

本文编号：307221