基于机器学习视觉目标分类识别方法研究
发布时间：2021-09-07 17:22
随着计算机技术的不断发展以及人们公共安全意识的日益加深,机器视觉目标分类识别在图像与视频分析方面受到广泛关注,其智能化要求越来越受到人们重视。论文在广泛阅读与调研国内外相关研究的基础上,针对目前机器学习视觉目标分类识别存在的相关问题与不足,对视觉目标分类、运动目标表征与识别以及视频行为预测等方面开展了深入研究。论文主要特色与贡献体现在如下方面:提出了一种基于机器学习的古陶瓷无损分类识别方法。采用差分链码获取古陶瓷旋转、平移不变特征,在此基础上,确定古陶瓷边缘轮廓曲率,获取结构细节特征,并在HSI颜色空间下提取古陶瓷釉色多通道颜色特征以及反映古陶瓷纹理多样性的纹饰LBP特征。综合上述视觉特征对不同时期古陶瓷进行断代分析。实验结果表明,所提方法具有鲁棒的无损分类识别性能,可为古陶瓷科技鉴定和数字博物馆建设发挥积极作用。提出了一种基于边缘时空域轨迹的视频运动目标表征方法。为有效描述不同运动模式下视觉行为的演化过程,将具有类似时空和运动特征的各种边缘轨迹视为一组骨架,同时引入基于幅度和方向信息的编码方法对这些运动边缘轨迹进行聚类,获取时空运动骨架描述子,从而充分考虑时空轨迹对之间的运动相似性。...
【文章来源】：上海大学上海市 211工程院校
【文章页数】：144 页
【学位级别】：博士
【部分图文】：
古陶瓷视觉结构特征提取示意图
上海大学博士学位论文2612()()cos2()()(B)RGRBHRGRBG（2-3）其中，RG或RB；若BG，则H2H。R、G、B分别为原古陶瓷釉色中RGB颜色空间的三通道颜色值。Smax(R,G,B)min(R,G,B)（2-4）1()3IRBG（2-5）对HSI颜色空间三分量进行如下非均匀量化：0,[316,20]1,[21,40]2,[41,75]0,[0,0.2]0,[0,0.2]3,[76,155]1,[0.2,0.7]1,[0.2,0.7]4,[159,190]2,[0.7,01]2,[0.7,01]5,[191,270]6,[271,295]7,[296,315]hhhsihHSsIihsihhh（2-6）图2-2古陶瓷釉色直方图特征提取流程框图2.2.3基于局部二值模式纹饰特征提取古陶瓷纹饰构图优美、内涵丰富，不同的纹饰图案特征往往代表着不同的文化习俗和风土人情，蕴含着丰富信息。如何提取有效的古陶瓷纹饰图案信息，在古陶瓷分类识别中起着举足轻重的作用。LBP作为一种纹理描述算子，已被广泛用于纹理分类、人脸识别及图像检索等领域[13]，它具有良好的旋转不变性和灰度不变性，因此，基于LBP能提取代表古陶瓷纹饰图像的本质特征。其中，提取古陶瓷纹饰LBP特征如下：遍历古陶瓷纹饰图像中每一像素3×3邻域，将该邻域周围的8个像素点灰度值与该
上海大学博士学位论文27邻域中心像素点灰度值做比较，大于或等于中心灰度值的点用1表示，反之用0，以此类推，沿顺时针方向得到的8个二进制值作为该邻域中心的特征值，并以直方图形式统计整个区域每个特征值数量，作为古陶器纹饰的图案特征描述子，如图2-3所示。图2-3古陶瓷纹饰图案LBP特征提取图2-4为来自古陶瓷纹饰数据库中2个不同作者所绘制的鸳鸯纹饰局部图及其与之对应的LBP特征图。由图2-4可以看出：不同作者绘制水彩鸳鸯图案LBP特征图具有较明显差异。图2-4不同作者绘制的水彩鸳鸯纹饰局部图及其与之对应的LBP特征图2.3基于广义回归神经网络古陶瓷多元特征分类2.3.1GRNN网络原理广义回归神经网络（GeneralizedRegressionNeuralNetwork，GRNN）是以数理统计为基础的一种人工神经网络，由DonaldF.Specht于1991年提出[118]。
【参考文献】：
期刊论文
[1]基于多特征融合的运动想象脑电信号识别研究[J]. 姜月,邹任玲. 中国医学物理学杂志. 2019(05)
[2]融合均匀局部二元模式和稀疏表示的人脸识别[J]. 高洪涛,郜亚丽. 计算机工程与设计. 2019(03)
[3]基于兴趣点统计特征的双人交互行为预测算法[J]. 姬晓飞,谢旋. 计算机技术与发展. 2019(07)
[4]视频行为识别综述[J]. 罗会兰,王婵娟,卢飞. 通信学报. 2018(06)
[5]基于深度学习的视频预测研究综述[J]. 莫凌飞,蒋红亮,李煊鹏. 智能系统学报. 2018(01)
[6]深度学习在目标视觉检测中的应用进展与展望[J]. 张慧,王坤峰,王飞跃. 自动化学报. 2017(08)
[7]面向智能监控摄像头的监控视频大数据分析处理[J]. 邵振峰,蔡家骏,王中元,马照亭. 电子与信息学报. 2017(05)
[8]神经网络七十年:回顾与展望[J]. 焦李成,杨淑媛,刘芳,王士刚,冯志玺. 计算机学报. 2016(08)
[9]数字化碗类器型结构及其应用[J]. 熊露,唐敏,李其江,吴琳,叶正隆. 陶瓷学报. 2015(04)
[10]智慧城市中的大数据[J]. 李德仁,姚远,邵振峰. 武汉大学学报(信息科学版). 2014(06)
博士论文
[1]复杂人体行为分析的时空上下文方法研究[D]. 许万茹.北京交通大学 2018
[2]视频序列中的人体动作识别[D]. 陈渊博.北京邮电大学 2015
硕士论文
[1]基于多特征的人体行为识别的研究[D]. 徐陈晨.南京邮电大学 2017
本文编号：3389949
【文章来源】：上海大学上海市 211工程院校
【文章页数】：144 页
【学位级别】：博士
【部分图文】：
古陶瓷视觉结构特征提取示意图
上海大学博士学位论文2612()()cos2()()(B)RGRBHRGRBG（2-3）其中，RG或RB；若BG，则H2H。R、G、B分别为原古陶瓷釉色中RGB颜色空间的三通道颜色值。Smax(R,G,B)min(R,G,B)（2-4）1()3IRBG（2-5）对HSI颜色空间三分量进行如下非均匀量化：0,[316,20]1,[21,40]2,[41,75]0,[0,0.2]0,[0,0.2]3,[76,155]1,[0.2,0.7]1,[0.2,0.7]4,[159,190]2,[0.7,01]2,[0.7,01]5,[191,270]6,[271,295]7,[296,315]hhhsihHSsIihsihhh（2-6）图2-2古陶瓷釉色直方图特征提取流程框图2.2.3基于局部二值模式纹饰特征提取古陶瓷纹饰构图优美、内涵丰富，不同的纹饰图案特征往往代表着不同的文化习俗和风土人情，蕴含着丰富信息。如何提取有效的古陶瓷纹饰图案信息，在古陶瓷分类识别中起着举足轻重的作用。LBP作为一种纹理描述算子，已被广泛用于纹理分类、人脸识别及图像检索等领域[13]，它具有良好的旋转不变性和灰度不变性，因此，基于LBP能提取代表古陶瓷纹饰图像的本质特征。其中，提取古陶瓷纹饰LBP特征如下：遍历古陶瓷纹饰图像中每一像素3×3邻域，将该邻域周围的8个像素点灰度值与该
上海大学博士学位论文27邻域中心像素点灰度值做比较，大于或等于中心灰度值的点用1表示，反之用0，以此类推，沿顺时针方向得到的8个二进制值作为该邻域中心的特征值，并以直方图形式统计整个区域每个特征值数量，作为古陶器纹饰的图案特征描述子，如图2-3所示。图2-3古陶瓷纹饰图案LBP特征提取图2-4为来自古陶瓷纹饰数据库中2个不同作者所绘制的鸳鸯纹饰局部图及其与之对应的LBP特征图。由图2-4可以看出：不同作者绘制水彩鸳鸯图案LBP特征图具有较明显差异。图2-4不同作者绘制的水彩鸳鸯纹饰局部图及其与之对应的LBP特征图2.3基于广义回归神经网络古陶瓷多元特征分类2.3.1GRNN网络原理广义回归神经网络（GeneralizedRegressionNeuralNetwork，GRNN）是以数理统计为基础的一种人工神经网络，由DonaldF.Specht于1991年提出[118]。
【参考文献】：
期刊论文
[1]基于多特征融合的运动想象脑电信号识别研究[J]. 姜月,邹任玲. 中国医学物理学杂志. 2019(05)
[2]融合均匀局部二元模式和稀疏表示的人脸识别[J]. 高洪涛,郜亚丽. 计算机工程与设计. 2019(03)
[3]基于兴趣点统计特征的双人交互行为预测算法[J]. 姬晓飞,谢旋. 计算机技术与发展. 2019(07)
[4]视频行为识别综述[J]. 罗会兰,王婵娟,卢飞. 通信学报. 2018(06)
[5]基于深度学习的视频预测研究综述[J]. 莫凌飞,蒋红亮,李煊鹏. 智能系统学报. 2018(01)
[6]深度学习在目标视觉检测中的应用进展与展望[J]. 张慧,王坤峰,王飞跃. 自动化学报. 2017(08)
[7]面向智能监控摄像头的监控视频大数据分析处理[J]. 邵振峰,蔡家骏,王中元,马照亭. 电子与信息学报. 2017(05)
[8]神经网络七十年:回顾与展望[J]. 焦李成,杨淑媛,刘芳,王士刚,冯志玺. 计算机学报. 2016(08)
[9]数字化碗类器型结构及其应用[J]. 熊露,唐敏,李其江,吴琳,叶正隆. 陶瓷学报. 2015(04)
[10]智慧城市中的大数据[J]. 李德仁,姚远,邵振峰. 武汉大学学报(信息科学版). 2014(06)
博士论文
[1]复杂人体行为分析的时空上下文方法研究[D]. 许万茹.北京交通大学 2018
[2]视频序列中的人体动作识别[D]. 陈渊博.北京邮电大学 2015
硕士论文
[1]基于多特征的人体行为识别的研究[D]. 徐陈晨.南京邮电大学 2017
本文编号：3389949
本文链接：https://www.wllwen.com/shoufeilunwen/xxkjbs/3389949.html
