学位论文 > 优秀研究生学位论文题录展示

基于特征级图像融合的目标识别技术研究

作　者: 王大伟
导　师: 王延杰
学　校: 中国科学院研究生院（长春光学精密机械与物理研究所）
专　业: 机械电子工程
关键词: 特征融合特征级图像融合多元数据分析目标识别
分类号: TP391.41
类　型: 博士论文
年　份: 2010年
下　载: 1109次
引　用: 1次
阅　读: 论文下载

内容摘要

基于多传感器特征融合的目标识别技术是计算机视觉领域方兴未艾的重要研究课题,为提高多传感器图像系统的目标识别率,解决多传感器的特征融合问题,本文研究了面向目标识别技术的多传感器图像特征融合问题。首先从多元数据分析的角度,研究了基于相关性的多元数据分析和基于独立性的多元数据分析的特征融合方法。(1)针对传统主分量分析很难实现多传感器数据融合的局限性,提出了双向二维复数值主分量分析(2DCPCA)的特征融合方法,从行列两个方向抽取复数值主分量。实验结果表明,在没有剧烈光照和姿态变化情况下,2DCPCA的方法能够获得比使用单一传感器图像的PCA方法更高的识别率;(2)针对线性典型相关分析(LCCA)不能有效描述非高斯分布数据的局限性,引入了核函数,改进了基于核典型相关分析(KCCA)的特征融合方法,实验结果表明提出的改进方法对姿态变化的抵抗效果较好,较普通的基于2DCCA方法识别率提高了5到10个百分点,识别效果好于PCA的方法;(3)典型相关分析和主分量分析是从数据相关性入手探讨数据关系的数学方法,本文进一步从数据独立性讨论特征不变量的提取,提出了基于复数值独立分量分析(Complex ICA)的特征融合方法。实验结果表明,复数值独立分量分析的方法是一种小样本最优方法。在没有剧烈光照和姿态变化情况下,复数值独立分量分析的特征融合方法是目前最具鉴别力的方法。其次,针对多特征协方差矩阵的非欧空间的距离测量方法容易陷入奇异解,分类效果不理想,提出了一种归一化的Fisher方法,实验结果表明,我们的方法与依靠单一特征的目标识别方法相比,能够把识别率提高20%,且对目标的畸变的有很强的抵抗能力。从理论上讨论了粒子群优化算法和人工免疫算法的收敛性。研究了基于自然计算的特征融合方法,提出了基于离散粒子群优化算法和基于离散人工免疫算法的特征融合方法。实验结果表明我们提出的基于粒子群优化算法的特征融合方法,使特征维数变为原来的一半,识别率的精度、稳定性和鲁棒性都有很大的改善。

全文目录

摘要  5-7
ABSTRACT  7-13
第1章绪论  13-29
  1.1 课题的研究背景及意义  13-15
  1.2 特征提取  15-19
    1.2.1 直方图特征  16-17
    1.2.2 梯度特征  17
    1.2.3 空间距离  17
    1.2.4 傅里叶相位谱  17-18
    1.2.5 Gabor 小波变换特征  18
    1.2.6 不变矩特征  18-19
  1.3 特征融合概述  19-27
    1.3.1 特征级融合的应用领域  20-21
    1.3.2 特征级融合的系统结构  21-23
    1.3.3 特征级融合的算法  23-27
  1.4 论文的研究内容及结构安排  27-29
第2章相关性多元统计分析的特征融合  29-53
  2.1 引言  29-30
  2.2 核典型相关分析（KCCA）的特征融合  30-38
    2.2.1 典型相关分析概述  30-31
    2.2.2 核典型相关分析  31-38
  2.3 复数主成份分析的特征融合方法  38-45
    2.3.1 主分量分析的基本思想  38-40
    2.3.2 主分量分解方法  40-41
    2.3.3 主分量分解的特征表达  41-42
    2.3.4 二维主分量分析(2DPCA)回顾  42-43
    2.3.5 二维复数主分量分析(2DCPCA)  43-45
  2.4 实验结果与分析  45-50
    2.4.1 实验一2DCPCA 的图像重构  45-46
    2.4.2 实验二 KCCA 和2DCPCA 的识别结果  46-50
  2.5 小结  50-53
第3章基于复数值独立分量分析的特征融合方法  53-75
  3.1 引言  53-54
  3.2 Complex ICA 基本原理  54-57
    3.2.1 复随机变量的基本概念  54-55
    3.2.2 Complex ICA 原理  55-57
  3.3 基于非高斯性度量的 Complex ICA 的固定点算法  57-63
    3.3.1 固定点算法概念  57-58
    3.3.2 非高斯性极大化度量  58-60
    3.3.3 采用负熵的固定点算法  60-63
  3.4 基于 complex ICA 特征的目标识别算法  63-65
  3.5 实验结果分析  65-73
    3.5.1 实验一基于复数值独立分量分析的图像重构  65-70
    3.5.2 实验二基于复数值ICA 的识别结果  70-72
    3.5.3 实验三小样本情况下的识别性能  72-73
  3.6 小结  73-75
第4章基于协方差矩阵的多特征融合  75-87
  4.1 引言  75
  4.2 协方差矩阵构造和特征融合策略  75-80
    4.2.1 随机变量间的协方差  75-79
    4.2.2 协方差矩阵的相关系数  79
    4.2.3 协方差矩阵距离度量  79-80
  4.3 归一化的 Fisher 线性判别分析  80-83
    4.3.1 Fisher 线性判别原理  81-83
    4.3.2 归一化的Fisher 线性判别  83
  4.4 试验结果与分析  83-85
  4.5 小结  85-87
第5章基于自然计算算法的特征融合  87-121
  5.1 引言  87-88
  5.2 粒子群算法原理  88-91
  5.3 人工免疫网络原理  91-96
    5.3.1 免疫系统中的模式识别  92-93
    5.3.2 无性选择  93-94
    5.3.3 负性选择  94
    5.3.4 评估函数  94-95
    5.3.5 适应过程  95-96
    5.3.6 免疫系统学习算法  96
  5.4 PSO 和AIS 基于马尔科夫链的收敛性  96-106
    5.4.1 Markov 链简介  97-99
    5.4.2 随机算法收敛的标准  99
    5.4.3 PSO 基于Markov 链的收敛性  99-102
    5.4.4 人工免疫系统基于Markov 链的收敛性  102-103
    5.4.5 PSO 和AIS 收敛性能分析  103-106
  5.5 算法复杂度分析  106-107
    5.5.1 PSO 复杂度分析  106-107
    5.5.2 AIS 算法复杂度分析  107
  5.6 基于自然计算方法的特征融合过程  107-110
    5.6.1 留一交互验证法  107-109
    5.6.2 可分性判别函数  109
    5.6.3 基于自然计算的特征融合原理  109-110
  5.7 实验结果及分析  110-119
    5.7.1 实验一基于二值PSO 的特征融合  111-114
    5.7.2 实验二基于离散AIS 的特征融合  114-117
    5.7.3 分析与比较  117-119
  5.8 小结  119-121
第6章总结与展望  121-125
  6.1 总结  121-122
  6.2 展望  122-125
参考文献  125-133
在学期间公开发表论文及参加项目情况  133-135
指导教师及作者简介  135-136
致谢  136-137

基于特征级图像融合的目标识别技术研究

内容摘要

全文目录

相似论文