基于模糊支持向量机的红外及可见光目标识别.doc

基于模糊支持向量机的红外及可见光目标识王利斌 基于模糊支持向量机的红外及可见光目标识别 瓺 篗： 期：、毛 現的算法理论，构建了基于的红环境进行编译运行，实现了基于的红外及可见光目标识别系统的开发。本文通过实验对基于的红外及可见光目标识别系统的运行情况、识别速度、识别精度等内容进行了验证。实验结果表明，基于的红外及可见光目标识别系统运行情况稳定，系统对红外和可见光目标识别速度满足实时性要求，识别精度良好。具有较好的实用价值。 ， ，篿 籌篎 目目第峦枷裨淼母慕胧迪帧 模糊数学理论支持向量机理论算法的编程实现本章小结图像预处理部分的实现特征提取部分的实现 目 绪论目标识别作为图像处理和模式识别的交叉应用，在一定意义上可以理解为是图像识别，它的主要任务是对获取的图像进行搜索，查找图像中是否含有既定目标，并对目标给以合理的解释，有时还需要对目标的状态进行确认。目标识别作 可以理解为图像处理以图像识别为目的，而图像识别又需要依赖图像处理这一手光线不够充分的条件下也依然能够保持较为稳定的侦测效果。有灵敏度高的优点。红外传感器优点诸多，但是红外传感器也并不是没有缺陷。假如红外设备周围工作环境温度较高时，比如对于夏天的白天进行拍摄的图像，由于地面温度较高目标区域无法被正确的分割出来。因此，在对白天拍摄的目标进行识别的时候，一般选择使用可见光传感器获取的图像进行识别。另外可见光传感器所获取的图像中目标的纹理特征，颜色特征等特征量充分，对这些图像进行特征提取后再进行识别，目标的正确识别率比红外图像要高。因此本文采用可见光与红外传感器配合使用来获取目标图像进行识别，当天气条件恶劣或者能见度不高时利用红外 程具有一般性，获得图像后按照既定步骤先对图像进行一系列的低级处理和中级处理，最后将处理后得到的图像目标区域的特征数据与数据库中已存在目标模型数据进行比对。由于具有一般性，所以数据型分类策略最大的优点就是通用性强。其主要存在的缺点是，在对图像进行低级和中级处理过程中缺乏有效的知识指导，导致处理过程具有很大的盲目性，从而造成工作量庞大、匹配算法复杂。知识驱论肛刀。它是以统计学习理论隅。”的维理论和结构风险最小化原理为基础的，通 鱿趾蟊闶艿搅斯惴汗刈昀次蘼凼荢的理论研究或者是算法合、模式识别等工程实践都有了成功的应用，并且取得了比其他算法更为优良的声和孤立点的隶属度值。从而取得更好更合理的分类效果。已经有许多学者提出了多种能够满足特定情况隶属度函数。目标识别研究应用前景广阔。生活领域，人们经常能够接触到图像识别技术卡机会用到指纹识别”刀技术、人脸识别”鄙”川技术或者静脉识别技术，刑侦和银行中 理论打下基础；文献针对模糊支持向量机论展开讨论，详尽的介绍了模糊论文的研究内容 的国内外研究现状，并给出了论文的研究内容和组织安排。本学位论文的主要创新点如下：做出了改进。使得改进后的分割算法更能适用于本文的目标识别系统。聚类中心的选择策略，提出了一种区域合并策略对聚类结果进行处理。 图像噪声噪声种类繁多，按照噪声与图像信号幅度、相位之间的关系大致可以分为以下面主要对图像处理中几种比较常见的噪声进行简单的介绍：瑈瑈瑈，像之问存在的误差大小的直观反映。对所采用的量化方式的改进能够减少这种噪 ，黑色为胡椒噪图像去噪图像噪声种类繁多，不同噪声的产生原因以及影响各不相同，因此去除方法空间域滤波是图像处理领域应用广泛的主要工具之一。若在空间域滤波过程中对像素进行的是线性操作则该滤波方式为线性滤波，若为非线性操作则该滤波方式为非线性滤波。空间域滤波直接作用于图像本身来完成类似平滑、锐化等操作。因此我们可以大致将空间域滤波器分为四类，平滑滤波器可以分为线性和非线性两类，而且这两类都属于低通滤波器，是线性和非线性平滑滤波器球；锐化滤正整数，也就是说瑀为奇数，模板最小尺寸为。现在对罭的图像使用大 图使用大小为的滤波器模板进行线性空间滤波的原理图 傅里叶变换境】，具体定义为：删出，胛【二弓产】维傅氏变换公式为：】 卷积理论是频域技术的基础，假设函数琘胂咝允辈槐渌阕觝，的卷那么根据卷积定理，在频域有： 过程用公式表示为：爿表示腐蚀过程，其中彳为腐蚀对象，=峁乖K亍降暮迨怯脄噊平 厘图像扣： 使用膨胙之后的图稼使用结构元曰对集合一进行闭运算的过程可以用公式表示为如下形式： 原图像闭运算之后的图像开闭运算的差异 由均值定义可以得出：“由式芍#指畹谋曜季褪遣捎玫鼻般兄捣指钋蟮玫姆讲钬最大。因此根据方差的定义可知，方差值的大小是用来衡量图像中各点像素的灰度值分布均匀性高低的标准，图像中像素点的灰度值分布越不均匀求得的方差就越大，此时图像中前景与背景具有最大差异，因此能够得到较好的分割效果。采用进行分割的效果图如图所示。 点处的梯度矢量被定义为：怯考其中，蛁，分别为，轴方向和岱较虻奶荻取荻确却笮，和阂罾访耍唬瑈唬海停：；型海瑈唬，代入式得 公式中的偏导需要对图像中所有像素逐个进行运算，在实际应用中常通计算梯度算子时可以用图中的两个不同模版进行组合来构造一个新的模版。眩缘检测 墨兰兰里堡望竺里堕塾堂皇壅堡礁鏊阕蛹觳獬龅谋咴敌疽恢虏钜觳淮螅切S庞赗算类中心 、鼍翌、，一 分割算法改进前后的分割效果对比图 婊跏蓟桓鯪 卑所示改进后的猰算法效果圈本章小结简单的介绍，讲述了噪声的类别与来源，使我们对图像噪声有了一定的认识。之后针对图像噪声重点对常用的去噪方法进行了详细的介绍，有空间域去噪、变换域去噪和形态学去噪方法。详细介绍了这三种去噪方法的理论知识，并仿真实现去噪过程，获得了去噪结果图，之后对多种不同的去噪方法进行了比较。通过学习我们了解了数字图像去噪的基本方法。然后我们介绍了常用的图像分割方法，这里我们主要介绍了、边缘分割和甿聚类实现图像分割的理论以及仿真图像。 识别的关键所在。为了使最终的目标识别达到一个理想的识别效果，特征提取是极其重要的一个步骤。它的主要目的是提取能准确描述该目标的一些特征信息，这些特征以向量的形式表示阴。特征提取只选取能够描述目标最准确的特征，因而有效降低了冗余信息的干扰，减少系统的计算量，从而增强识别系统可靠性。由于原始图像数据量相当大，为了快速计算出目标识别结果，减少计算量，反正这些差异。移不变性及旋转不变性。 这种矩以单项式乘积为基函数，即上式将函数厂，投影到上，并且整个基本集是完备但不正交的。其中： 图矩计算流程图设图像平面上一点淖晡琘投杂律浔浠蛔晗抵械鉖在的坐标为，则其二维的仿射变换公式如式： 设图像厂，仿射变换后的图像为矗，则仿射变换后图像的重心变为： 只需要满足扭曲和拉伸不厶砬稚簅鑅“跃鵲俏础蚝图仿射不变矩提取流程图灰度共生矩阵是一种基于图像估计的统计方法，以上所说的估计只针对于被 矩阵的生成方向，通常取！母龇较颉琋，分别表示水平和下例对灰度共生矩阵的具体生成过程进行了详尽的描述。下图是一个灰度图目前，灰度共生矩阵所有参数中，用于纹理分析的就有十四个，等人对这十四个特征参数做了详细的定义。毋庸置疑，使用这些特征参数可以精确描述图像的纹理信息。但是因为数据量太大，会导致一定程度的数据冗杂，特征表述交叉性大等问题。仔细研究每个参数的特点，选择适合本文的四个参数：能量： 局部平稳性：口口币犊趐 若线性变换满足以下约束：矗，即口：实验仿真瓣痧崦射不变矩特征。图各类模型的可见光图像 表不变矩提取不同目标的特祉值 模糊性可以定义为现实中的不确定的没有明确标准的现象。比如“很好”与进行了解。康托尔集合论指出，论域之中的任何一个元素与某所以，康托尔集合只能描述“是”与“否”的概念，对于具有不确定性的问题就 虽然发展的时间很短，但是模糊数学却在很多领域得到了非常广泛的应用，”，彳称为彳的隶属度函数，用来求 撕綺譬】图高斯型函数图形另外还经常用三角型函数定义如下：；一一图三角型隶属度函数图形 用于表示“的程度的隶属度函数，常用函数如下：钺彩【俊 箜兰童堡塑奎量旦量塑里笙量塑堡壅翌学理论、核函数理论等一批完备的数学理论。近几年的涌现出的大量理论研究成果，更为其应用研究奠定了坚实的基础。然而对于支持向量机来说，他最大问题在于解二次规划问题时的运行速度较慢。为了对此问题进行改善，众多国内外科学家和研究人员对其算法做出了研究与改进，从而形成了多种基于传统支持向量机的变形算法。而且这些经过变形的算法往往在某一领域具有较好的运行速度。下面具体列出了几种经常用到的变形算法，、机器是不具有思考能力的，因此机器的学习过程是需要人为的制定学习规则的，也就是对学习内容、学习方式以及学习的停止准则进行规定。其中学习停止准则最为重要，因为如果机器在还没有完全获得必要的知识之前就停止学习，那么它的识别能力也就可想而知了；相反的如果出现了过学习现象，那么机器的泛化能力也会下降，这也是我们不希望看到的。所以对学习准则的制定需要进行多方面的考虑，而经验风险最小化的原则是较为实用的停止准则之一，下面我们对这一停止原则进行解释。 的损失，针对学习的情况不同，损失函数的形式也不相同。机器学习最常应用于以下三类：分类问题、回归估计问题和概率密度估计问针对目标识别问题，我们期望通过对现有样本数据学习的过程，找到一个使题，传统的学习方法中是通过计算样本的误差来定义经验风险的：我们将这种利用样本误差来定义经验风险的方法称之为经验风险最小化，原则。同的问题，具有不同的损失函数，其对应的经验风险的含义就会不同。比如，模 是采用了同样的学习原则。针对经验风险最小化的问题，统计学习理论提出了一种新的学习停止规则，被称为结构风险最小化准则。结构风险最小化准则的基本思想可以通过图进行说明。通过图我们可以看出，所谓结构风险最小是指首先通过函数集中不同子集维的大小对这些子集进行排序，之后在子集的内部搜寻最小经验风险，然后在子集之间添加对置信范围的考虑，最后取一个折衷值。集：通过上述描述可知经验风险和置信范围分别取决于不同的对象，置信范围是取决于函数集的，而经验风险往往是由某个具体的函数来决定的。统计学习理论对结构风险最小化原则进行了详细的论证：首先对结构风险最小化准则下实际风 险能够收敛的性质进行了证明，还对模型的选择给出了严密的论证过程，不仅如此，它还对函数子集结构的合理性提出了相应的标准。如。，骳譬同样的考虑无界限集合，我们可以得到分类器的泛化能力： 假设存在一个线性可分的训练集，所为线性可分是指训练集中其中浅矫娴姆叻较颍爸N5环叻较颍为哪瑆獁 咒，其中，马和马到日的距离为杀旨，分类间隔为赢。维数个小球共有种情况。现在将虰两个箱子看作两个不同的类别， 茎急苋嫠芰克里丝皇塑堡壅翌类，那么该函数集的维为。这样，在高维特征空间中的内积运算就可以在原空间中利用函数来实现，避归輔 通过定理我们只能得知该候选核函数是否可以表示高维空间的内积以数的一个重要优点。理论 母拍钍怯商逖逤、热擞甑氖焙蛱岢鯧。在传统的支持向量机的优化问题中，为了减少对样本点错分的情况，提出了惩罚参数的概念。惩罚 “ 其中将式，得二次规划的对偶规划为：以看出絅个凸二次规划问题，所以可以解得最优解鳎琣；，据大的不同在于，由于某鱿郑沟肍衋杂膕氪车膕中对应的有可能发生变化，也就是前后两者所对应的不再是同一类。 式：厂濉芶；瑀，蔙“对于公式衋值，只有当样本点为支持向量时才会有非零值的可能，其模糊隶属度核函数的选择 不妨假设对于鄙夏忱嗟难镜銂瑇瑇，设为该类中心点，一口其中竺尘，且时，样本的隶属度为。 趎型函数的隶属度函数衰减较快。口型函数可以用公式表示为如下形式：工具包，加入了基于类中心距离的模糊隶属度函数，构建了识别算琧琲 琲琲基于类中心距离的模糊隶属度值获取函数定义如下： 籭；“籭；州进行一对一组合； 本章小结本章主要讲述了模糊数学的基础理论知识、支持向量机的理论知识和模糊支持向量机的基础理论知识。首先通过对模糊数学中的模糊集概念、隶属度函数的概念的介绍，以及对支持向量机中的统计学习理论、最优分类超平面、核函数等知识点的介绍，让我们对模糊支持向量机有了初步的认识。之后对模糊支持向量机理论进行了详细的介绍。主要介绍了两种不同类型的模糊支持向量机的理论知识、公式的推导过程以及模糊核函数的选择问题等内容，使我们对模糊支持向量机有了更深刻的认识和理解。最后结合工具包，通过编程对算法进行了实现，为下一步工作打下了良好的基础。 识别系统的架构的标识别系统由圈像采集模块、幽像坝处理模块、日标特征挺堂：盈氍翟霉了 处理器，娉俏 为方便使用人员进行操作，在设计图像预处理模块时考虑了多种常用情况，开发实现了多种便捷操作。使用人员可以通过菜单栏中的文件下拉菜单对文件进行新建文件、文件打开、关闭文件、文件保存、文件另存为、退出系统等操作，并支持快捷键操作。这里首先选择需要进行特征提取的图片并显示与工作区域，操作结果如下图所示：预处理模块图像增强的执行 沈珲。大学硕十学位论文一蔷。冒图预处理模块实现改进后的分割教果图图像预处理中其他操作与图像增强和图像分割的操作过程基本一致。这里不 目标特征获取模块初始界面如下：下面将详细介绍具体操作步骤。文件的打开与显示 们便可以通过数据库模块访问和使用已保存过的特征数据。 存放数据的表命名为流式数据表。只需要通过给定的结构参数去流式数据表中搜寻对应的数据，然后恢复出来即可。是权阵表，用以存放每种目标的权阵数据。 海：海海6 图赟的样本特征数据表“轉圈基于难咎卣魇荼 统可分为四个部分，样图显示部分、文件处理部分、模型训练部分、以及数据显：；， 设置好参数之后点击确定按键，这时系统会弹出文件选择对话框，如图 】所示。训练结束后，训练得到的识别模型参数将自动保存到数据库中。当识别模所示。 目；發珺神经网络算法与算法进行 州璦瓁识别模型对红外图像识别测试结果图 笙骶璺