基于极限学习机的目标识别算法研究
本文关键词:基于极限学习机的目标识别算法研究
更多相关文章: 目标识别 极限学习机 空间金字塔模型 旋转森林
【摘要】:目标识别是图像理解和计算机视觉中一个重点研究方向,在许多相关领域中有着广泛的应用。随着人工智能和模式识别技术的不断发展,基于机器学习的目标识别技术越来越受到研究者们的重视。本文围绕着机器学习方法,对目标识别算法中的分类器设计,模型构建等问题进行了研究。论文具体的研究内容分为2个部分,第一,本文提出了将极限学习机(Extreme Learning Machine,ELM)这种求解单隐层前馈神经网络的新方法引入到基于机器学习的目标识别算法中来,并研究了极限学习机的改进方法来解决传统SVM分类器在处理高维复杂数据时的计算复杂度高,训练耗时等缺陷。第二,本文对当前主流的目标识别模型,空间金字塔模型(Spatial Pyramid Model,SPM)进行了理论分析,研究了通过改进视觉词典的构建方式来解决图像特征向量维数过高,计算复杂度上升的缺陷。围绕上述研究内容,本文主要研究工作和创新性体现在以下两个方面:(1)针对ELM的泛化能力和稳定性容易受随机给定的输入权值和隐含层偏置的影响,提出了一种基于旋转森林选择性集成ELM的目标识别算法,并将其命名为RFSEN-ELM。该方法结合了旋转森林算法(Rotation Forest,RF)和基于遗传算法的选择性集成模型(Selective Ensemble)。首先,利用旋转森林算法对训练数据进行预处理,训练生成一组差异性较大的ELM基分类器集合。接着,通过选择性集成模型对基分类器集合进行组合筛选,其中遗传算法在选择性集成模型中的作用是剔除一些在集成中表现不好的基分类器。最后,将选择出来的基分类器进行集成构成RFSEN-ELM算法。实验结果表明,该算法的综合性能要优于传统的SVM算法和一些其他的集成算法。(2)针对空间金字塔模型产生的图像特征向量维数过高,内存占用较大的缺陷,提出了一种紧凑型空间金字塔模型(Compact Spatial Pyramid Model,CSPM),该模型通过Agglomerative Information Bottleneck(AIB)聚类算法对视觉词典中的视觉单词进行选择性融合来降低最终特征向量的维数。此外,在极限学习机的改进上提出了使用加权投票机制(Weighted Voting)代替了RFSEN-ELM中的选择性集成模型,并将矩阵条件数这一概念引入到了权值的计算当中,将该集成分类器命名为RFWV-ELM。实验结果表明,基于CSPM模型和RFWV-ELM集成分类器的目标识别算法在识别正确率,稳定性和训练速度上都好于传统的空间金字塔模型与SVM的结合方法。
【学位授予单位】:浙江理工大学
【学位级别】:硕士
【学位授予年份】:2017
【分类号】:TP391.41;TP181
【相似文献】
中国期刊全文数据库 前10条
1 徐小琴;;多传感器数据融合目标识别算法综述[J];红外与激光工程;2006年S4期
2 林思明;;运动目标识别算法研究[J];西北电讯工程学院学报;1985年04期
3 王旭辉;刘云猛;裴浩东;;基于嵌入式图像处理平台的实时多目标识别算法[J];科学技术与工程;2014年03期
4 朱峰,窦丽华,杨国胜,陈文颉;基于异类传感器的战场运动目标识别算法[J];北京理工大学学报;2002年03期
5 孔刚,张启衡,许俊平;一种复杂背景下运动扩展目标识别算法[J];仪器仪表学报;2005年S1期
6 贾宇平;李亚楠;付耀文;庄钊文;;一种基于灰色定权聚类的决策层融合目标识别算法[J];电子与信息学报;2008年02期
7 熊艳,张桂林,彭嘉雄;自动目标识别算法性能评价的一种方法[J];自动化学报;1996年02期
8 陈喜;陈浩;;针对潜望镜的舰船目标识别算法的研究[J];微计算机信息;2007年01期
9 杜方键;杨宏晖;;两种半监督多类水下目标识别算法的比较[J];声学技术;2014年01期
10 党二升;李丽;;激光探测“猫眼”效应目标识别算法[J];航空科学技术;2011年06期
中国重要会议论文全文数据库 前5条
1 徐小琴;;多传感器数据融合目标识别算法综述[A];2006年全国光电技术学术交流会会议文集(D 光电信息处理技术专题)[C];2006年
2 孔刚;张启衡;许俊平;;一种复杂背景下运动扩展目标识别算法[A];第三届全国信息获取与处理学术会议论文集[C];2005年
3 常青;;分形特征目标识别算法[A];2005年中国智能自动化会议论文集[C];2005年
4 王明芬;李翠华;;基于形状外观的海面目标识别算法[A];第十四届全国图象图形学学术会议论文集[C];2008年
5 王伟明;;一种使用并行黑板模型仿真系统实现的基于知识的图象目标识别算法[A];'99系统仿真技术及其应用学术交流会论文集[C];1999年
中国博士学位论文全文数据库 前10条
1 张抒;可视目标检测与分割关键技术研究[D];电子科技大学;2015年
2 徐培;基于少量样本的快速目标检测与识别[D];电子科技大学;2014年
3 窦建方;视频图像处理中的关键技术研究[D];上海交通大学;2014年
4 于加其;基于激光成像雷达距离像的地面目标识别算法研究[D];北京理工大学;2015年
5 刘明;基于流形学习与稀疏描述的SAR目标识别算法研究[D];西安电子科技大学;2015年
6 喻晓源;基于特征学习的目标检测、跟踪、识别算法研究[D];华中科技大学;2014年
7 严忠贞;内河在航船舶动态跟踪和航迹融合方法研究[D];武汉理工大学;2013年
8 张兵;光学图像末制导中的点目标检测与识别算法研究[D];国防科学技术大学;2005年
9 汪洋;极化合成孔径雷达图像处理及其应用研究[D];安徽大学;2007年
10 卢岩;交通监控中的运动人体目标检测与跟踪[D];中国科学院研究生院(长春光学精密机械与物理研究所);2011年
中国硕士学位论文全文数据库 前10条
1 韩卫洁;入侵报警系统中振动源的目标识别算法研究[D];长安大学;2015年
2 曾诚宇;基于时序光度信号的目标卫星状态特性估计[D];哈尔滨工业大学;2015年
3 闫晓敏;智能监控视频中的目标检测、识别与跟踪算法研究[D];电子科技大学;2015年
4 黄浩;双波段红外成像目标检测与识别方法研究[D];国防科学技术大学;2013年
5 周天凤;无重叠视域多摄像机目标关联研究[D];合肥工业大学;2014年
6 王彬;基于改进的ViBE和HOG的运动目标检测系统研究与实现[D];沈阳工业大学;2016年
7 朱甲林;基于雷达信息巡航车前方关键目标的判别研究[D];辽宁工业大学;2016年
8 曹昊然;基于LLE与HMM的飞机序列目标识别算法研究[D];东南大学;2015年
9 季康;基于多分类器融合的多视点飞机目标识别算法研究[D];南昌航空大学;2016年
10 宫世杰;视频监控中基于ICP算法的多目标跟踪技术研究与实现[D];山东大学;2016年
,本文编号:1257833
本文链接:https://www.wllwen.com/shoufeilunwen/xixikjs/1257833.html