基于机器学习的多传感器目标识别技术研究

发布时间：2017-09-11 15:14

  本文关键词：基于机器学习的多传感器目标识别技术研究

  更多相关文章： 目标识别 词袋模型 SIFT k-means算法

【摘要】：本文研究了基于机器学习的多传感器目标识别技术,针对能够将SIFT高维特征向量表示成低维特征向量的"词袋"模型的构建进行了改进,并将其应用到了全局特征和局部特征结合以及红外和可见光图像融合的目标识别中。首先,研究了基于全局特征的目标识别。对支持向量机分类的原理进行了研究,使用一对一法构建了基于支持向量机的多分类器,提取了可见光图像的LBP特征之后,使用支持向量机对其进行分类识别时出现了样本得不到分类识别的情况。对此提出了两个改进策略,通过实验对比说明了两个策略各自的特点。其次,研究了基于局部特征的目标识别。对使用k-means聚类算法的"词袋"模型进行了改进,在已有的k-means聚类算法的研究基础之上做出了相应的改进工作,通过使用UCI数据集对改进后的算法进行实验,结果证明了改进后的算法在聚类效果上要优于改进前的聚类效果。使用改进后的聚类算法构建了基于SIFT的"词袋"模型并进行了实验,结果证明了改进后的算法可以提高目标的识别率。最后,分别研究了基于特征级和决策级的目标识别。使用可见光图像进行了在决策级上局部特征和全局特征相结合的识别实验,融合了 SIFT特征和LBP特征,实验过程中提出了两种结合方法,结果证明了融合两种特征可以提高目标识别率。使用红外和可见光图像进行了融合两种传感器特征的实验,在两类图像的样本数量不对等的前提下,结果证明了相比于单个传感器,使用两种传感器更能够提高对目标的识别率。
【关键词】：目标识别 "词袋"模型 SIFT k-means算法
【学位授予单位】：沈阳理工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41;TP181
【目录】：

• 摘要6-7
• Abstract7-10
• 第1章 绪论10-16
• 1.1 课题研究的背景和意义10-11
• 1.2 国内外研究现状11-15
• 1.2.1 图像特征提取算法和表示的国内外研究现状11-13
• 1.2.2 分类器的研究现状13-14
• 1.2.3 多传感器应用的研究现状14-15
• 1.3 文章的主要研究工作与内容安排15-16
• 第2章 基于全局图像特征的目标识别16-36
• 2.1 LBP纹理特征16-20
• 2.1.1 LBP算子16-19
• 2.1.2 LBP算子的旋转不变性19
• 2.1.3 LBP算子的统一模式19-20
• 2.1.4 LBP直方图20
• 2.2 支持向量机分类原理20-28
• 2.2.1 线性支持向量机与间隔最大化20-24
• 2.2.1.1 线性可分支持向量机与硬间隔最大化21-23
• 2.2.1.2 线性支持向量机与软间隔最大化23-24
• 2.2.2 非线性支持向量机与核函数24-26
• 2.2.3 支持向量机的应用与拓展26-28
• 2.3 实验结果与分析28-34
• 2.4 本章小结34-36
• 第3章 基于局部图像特征的目标识别36-68
• 3.1 SIFT特征描述子36-47
• 3.1.1 图像的多尺度表示37-38
• 3.1.2 只度空间极值检测38-42
• 3.1.2.1 构建高斯金字塔39-40
• 3.1.2.2 构建高斯差分金字塔40-42
• 3.1.3 特征点精确定位42-44
• 3.1.4 极值点的方向分配44-45
• 3.1.5 特征点描述子的生成45-47
• 3.2 "词袋"模型的构建47-50
• 3.3 k-means聚类算法与实验分析50-58
• 3.3.1 基于高密度点分布的k-means算法50-52
• 3.3.2 改进的k-means初始聚类中心选择的算法52-54
• 3.3.3 k-means算法聚类实验结果与分析54-58
• 3.4 基于优化的k-means目标识别算法实验与分析58-66
• 3.5 本章小结66-68
• 第4章 基于多传感器的目标识别68-82
• 4.1 全局与局部图像特征相结合的目标识别68
• 4.2 实验结果与分析68-74
• 4.3 多传感器图像融合方式74-75
• 4.3.1 像素级图像融合74
• 4.3.2 特征级图像融合74-75
• 4.3.3 决策级图像融合75
• 4.4 实验结果与分析75-80
• 4.4.1 基于SIFT的红外和可见光图像的融合实验76-77
• 4.4.2 基于LBP纹理特征的红外与可见光图像的融合实验77-80
• 4.5 本章小结80-82
• 结论82-84
• 参考文献84-88
• 攻读硕士学位期间发表的论文和获得的科研成果88-89
• 致谢89

【参考文献】

中国期刊全文数据库 前8条

1 颜雪军;赵春霞;袁夏;;2DPCA-SIFT:一种有效的局部特征描述方法[J];自动化学报;2014年04期

2 童涛;杨桄;孟强强;孙嘉成;叶怡;陈晓榕;;基于边缘特征的多传感器图像融合算法[J];红外与激光工程;2014年01期

3 童涛;杨桄;李昕;叶怡;王寿彪;;基于D-S证据理论的多特征融合SAR图像目标识别方法[J];国土资源遥感;2013年02期

4 蒋晓瑜;梁浩聪;王加;张旭帆;;目标识别中多传感器信息融合算法比较[J];计算机系统应用;2013年04期

5 戴金波;赵宏伟;刘君玲;冯嘉;;一种针对于描述子的SIFT简化方法[J];仪器仪表学报;2012年10期

6 仝雪姣;孟凡荣;王志晓;;对k-means初始聚类中心的优化[J];计算机工程与设计;2011年08期

7 韩凌波;王强;蒋正锋;郝志强;;一种改进的k-means初始聚类中心选取算法[J];计算机工程与应用;2010年17期

8 周世兵;徐振源;唐旭清;;新的K-均值算法最佳聚类数确定方法[J];计算机工程与应用;2010年16期

中国硕士学位论文全文数据库 前9条

1 柳欢欢;基于特征融合的目标识别研究[D];浙江工业大学;2014年

2 谢振南;多传感器信息融合技术研究[D];广东工业大学;2013年

3 王东明;基于特征级融合的目标识别方法研究[D];沈阳理工大学;2013年

4 孙思佳;基于可见光与红外图像融合的目标识别研究[D];南京航空航天大学;2012年

5 唐春益;AdaBoost算法及其在目标识别中的应用研究[D];南昌航空大学;2012年

6 王莹;基于BoW模型的图像分类方法研究[D];哈尔滨工程大学;2012年

7 刘丽霞;图像纹理特征研究和比较[D];北京邮电大学;2011年

8 李树娟;基于LBP特征的人脸表情分析[D];中国石油大学;2010年

9 冯嘉;SIFT算法的研究和改进[D];吉林大学;2010年

，

本文编号：831467