目标识别【PPT课件】

目标识别 目标识别 内容： 模式和模式类 基于决策理论方法的识别 结构性方法 一、模式和模式类 模式：是描绘子的组合 模式类：是一个拥有某些共同性质的模式族 模式识别：对不同的模式分配各自所属类别 W , 21 模式类： W 模式类的数量 一、模式和模式类 1 模式矢量 串 树 . . . ,x 21例 1：模式矢量 21（ 识别方法：通过测量花瓣的宽度和长度 三个模式类： 321 , 例 1：模式矢量 分类效果取决于描绘子的选择 不同类型的噪声波形 , 2211 nn 1 模式矢量 串 树 字符串： a b a b a b a b三种常用的模式组合： 模式矢量 串 树：分层有序结构 二、基于决策理论方法的识别 ,x 21一个 基于决策函数（或判别函数）的识别 W , 21 x,x,x 21 ;,2,1模式 i： 二、基于决策理论方法的识别 决策边界： 0 ji 00 二、基于决策理论方法的识别 匹配 最佳统计分类器 神经网络 1、匹配 方法：用一种原型模式矢量表示每一个类，比较未知模式与原型矢量。 最小距离分类器 依据相关的匹配 最小距离分类器 ,2,1空间距离： 决策边界： jT ,2,1判别函数： 例：最小距离分类器的图解 两个鸢尾属植物的花 （ 两个模式类 （ 1, 2) , 1,2,1,01,2,1,0, t在一幅大小为 m w(x,y)与 图像 f(x,y)的相关： c(x,y)的最大值就是最匹配的位置。 依据相关的匹配 ts ts 2,1,01,2,1,0,2122 克服相关函数对图像和模板幅度变化的敏感性 是均值 2、最佳统计分类器 特定模式 均失效率： 失败的分类表示为 总体平均失效率降至最低的分类器称作贝叶斯分类器 属于类 i当 损失函数： 1 属于类 i ,2,1 决策函数： 两个模式类具有高斯密度，分别具有均值 j 2,121 222 21 若 决策边界： 2010 xm 类 的贝叶斯判别函数： j jT 1 每个类服从高斯分布 例：三维模式的贝叶斯分类器 33141113412131113111316121 例：三维模式的贝叶斯分类器 Cd 1 8444844481C 21 假定 3、神经网络 训练模式：用于估计判别函数参数的模式。 训练集合：一系列从每个类中得到的模式。 学习或训练：使用训练集合得到判别函数的过程。 直接通过训练过程生成所需判别函数。 两个模式类的感知器 0 0. . . 12211 两个模式类的感知器 扩展模式矢量的判别函数： 扩展模式矢量： ,.,y 21权矢量： 21 ,.,w 训练算法 线性可分离的类 如果 1y k，并且 0如果 2y k，并且 0 否则 kk 迭代算法： 例：感知器算法解释 1 训练集合 10,1002训练集合 11,101令 01c 1001 1002 0013 0014知器算法解释 ,214w 4 12y 1 12x 1 训练的每一步，使真实响应和期望响应之间误差降至最低。 2r 准则函数： 梯度下降算法： r kk 2 根据 多层前馈神经网络 多类模式识别问题的判别函数 基本体系结构 基本体系结构 如果网络的第 其他的输出为低，则网络识别模式响亮 i . . . ,2,1110 “S” 激活函数 基本体系结构 0111 ” 激活函数： 2,11 ,2,1 任何层中的节点输入都是前一层输出的加权和。 向传播训练 输出层 调整权值： p 1 E 输出层权值增量： 反向传播训练 误差项： 内层权值增量： w 训练过程如下： 对任何层 ，层 的前边，计算权值 如果层 如果层 反向传播训练 反向传播训练 1 1 输出层： 内部层： 激活函数，令 10 例：使用神经网络进行图形分类 通过标记图产生模式矢量： 48维 例：使用神经网络进行图形分类 激活函数 : 10 例：使用神经网络进行图形分类 训练过程 : 权值被初始化为带有零均值的小随机数； 用无噪声样本的模式矢量对网络进行训练； 用带有噪声样本的模式矢量对网络进行训练； 噪声样本的生成：在无噪声图形上，每个处在轮廓线上的像素被赋予一个保留在原始坐标的概率 V，并且对该像素个相邻像素中的一个坐标随机赋予一个概率 R=1 例：使用神经网络进行图形分类 错误分类的概率 例：使用神经网络进行图形分类 错误分类的概率 两层网络： 两个输入产生两个边界； 三个输入产生三个边界。 第一层：执行一行； 第二层：进行“与”操作。 决策面的复杂性 三层网络： 第一层：执行一行； 第二层：进行“与”操作； 第三层：将不同区域划归不同的类，进行“或”操作。 三、结构方法 匹配形状数目 串匹配 1、匹配形状数 相似度 的最大量级。 ,4,2,8,6,4a和 。 1、匹配形