基于支持向量機(jī)的飛機(jī)圖像識別算法

1、基于支持向量機(jī)的飛機(jī)圖像識別算法發(fā)布:2011-09-05 | 作者: | 來源: qihongchao | 查看:902次 | 用戶關(guān)注：計算機(jī)的模式識別技術(shù)是目前研究的熱點，本文將探討運用圖像處理技術(shù)來進(jìn)行飛機(jī)圖像識別。通過神經(jīng)網(wǎng)絡(luò)的圖像邊緣檢測方法得到飛機(jī)輪廓，再進(jìn)行特征提取，運用模式識別技術(shù)將目標(biāo)正確的分類。傳統(tǒng)的分類方法，如人工神經(jīng)網(wǎng)絡(luò)在處理小樣本問題時一方面容易出現(xiàn)過學(xué)習(xí)現(xiàn)像，導(dǎo)致算法的推廣性差；另一方面學(xué)習(xí)的性能差，處理非線性問題算法復(fù)雜。而統(tǒng)計學(xué)習(xí)理論是一種專門的小樣本統(tǒng)計理論，基于統(tǒng)計學(xué)習(xí)理論的支持向量機(jī)技術(shù)是一種新 計算機(jī)的模式識別技術(shù)是目前研究的熱點，本文將探討運用圖像處

2、理技術(shù)來進(jìn)行飛機(jī)圖像識別。 通過神經(jīng)網(wǎng)絡(luò)的圖像邊緣檢測方法得到飛機(jī)輪廓，再進(jìn)行特征提取，運用模式識別技術(shù)將目標(biāo)正確的分類。傳統(tǒng)的分類方法，如人工神經(jīng)網(wǎng)絡(luò)在處理小樣本問題時一方面容易出現(xiàn)過學(xué)習(xí)現(xiàn)像，導(dǎo)致算法的推廣性差；另一方面學(xué)習(xí)的性能差，處理非線性問題算法復(fù)雜。而統(tǒng)計學(xué)習(xí)理論是一種專門的小樣本統(tǒng)計理論，基于統(tǒng)計學(xué)習(xí)理論的支持向量機(jī)技術(shù)是一種新的模式識別方法，能夠較好地解決小樣本學(xué)習(xí)問題。本文對基于支持向量機(jī)的飛機(jī)圖像識別算法做了研究。 1 飛機(jī)圖像識別算法 1.1 基于鄰域灰度變化極值和神經(jīng)網(wǎng)絡(luò)的圖像邊緣檢測方法 要提取物體的輪廓特征首先必須在圖像上得到輪廓的位置，即得到邊界象素在圖像上的位置

3、。傳統(tǒng)的邊緣檢測算法，如sobel算子、robert算子等有一些缺點，一是提取的邊緣很粗，無法精確得到邊緣象素，而且邊緣具有很強(qiáng)的方向性，使用某一方向性的算子造成的結(jié)果是與之垂直方向的邊緣較為明顯，而相同方向的邊緣則檢測不到。本文提出了基于鄰域灰度變化極值和神經(jīng)網(wǎng)絡(luò)的圖像邊緣檢測方法。 由于圖像的數(shù)據(jù)量大，邊緣檢測網(wǎng)絡(luò)的訓(xùn)練時間較長，而非邊界候選象素對于圖像邊緣提取作用不大。因此，本文采用一種邊界候選象素提取方法，使訓(xùn)練數(shù)據(jù)規(guī)模可觀地減少。 圖像中的邊緣象素都是灰度變化較大的地方，邊界候選象素提取算法就是找到這些點。為此，借鑒經(jīng)典圖像銳化的方法，引入一個33的檢測窗口掃描圖像，考察其中心象素與

4、其鄰域象素的灰度變化的最大值，通過設(shè)定適當(dāng)?shù)拈撝祵⒃紙D像變換為二值邊緣圖像。假定點(x，y)與其鄰域灰度變化的最大值為max，閾值為T，二值圖像相應(yīng)點處的值為g(x，y)，則其實現(xiàn)算法為： 此方法求取邊界候選象素的優(yōu)點是對每一象素都考慮了其鄰域象素的灰度信息，更符合圖像的邊緣灰度變化的特點，因此對各類圖像都具有廣泛的適用性。經(jīng)過上述提取過程得到的邊界候選圖像包含且完全包含全部圖像的邊界信息，但同時也包含其他非邊界信息。因此，候選象素集合由邊界象素集合與非邊界象素集合組成。獲得邊界候選象素集合后，以邊界候選象素及其鄰域象素的二值輸入模式作為樣本集輸入對邊緣檢測神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，而非邊界候選象素

5、直接判斷為非邊緣象素，不再輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。采用的邊緣檢測神經(jīng)網(wǎng)絡(luò)為BP網(wǎng)絡(luò)。 求得邊緣后，會產(chǎn)生一些并不屬于邊緣點的噪聲，在提取特征前需要將這些噪聲去掉。采用一個矩形區(qū)域在圖像上遍歷，區(qū)域大小可自定，本文選取了1515象素的區(qū)域?？疾烀恳淮螀^(qū)域內(nèi)的象素點，如果這一區(qū)域的邊緣無黑色的邊緣象素，說明這一區(qū)域正好將一個封閉的噪聲區(qū)域包括在內(nèi)，則將這一區(qū)域內(nèi)象素設(shè)置為白色，排除在邊緣點之外。 圖1是原圖像，圖2是邊緣檢測，做消除噪聲處理的結(jié)果。 1.2 特征提取物體的幾何形狀在物體的識別中占重要的地位，而不同種類的物體其形狀的差別是很大的，對物體的輪廓提取相應(yīng)的特征，進(jìn)一步的運用支持向量機(jī)進(jìn)行分

6、類。物體的形狀并不因物體在圖像上的位置、大小和與圖像所處的角度而改變，所以提取的特征向量必須滿足RST(旋轉(zhuǎn)、比例、平移)不變性。物體的主軸率、緊密度、圓方差、橢圓方差、周長平方面積比等特征能很好地概括物體的輪廓特征，這5個特征滿足RST不變性。得到邊緣象素后，求取主軸率、緊密度、圓方差、橢圓方差、周長平方面積比作為要提取的特征值。設(shè)輪廓邊緣坐標(biāo)為Pi=xi，yiT，輪廓為N個隨機(jī)向量的集合為P。P=Pi，i=1，2，N。求出這些特征值，作為每一個樣本的特征向量，構(gòu)造支持向量機(jī)進(jìn)行訓(xùn)練和分類。1.3 支持向量機(jī)訓(xùn)練與分類支持向量機(jī)是從線性可分情況下的最優(yōu)分類面發(fā)展而來的。對于二維兩類線性可分情

7、況(如圖3所示)，圖中實心點和空心點分別表示兩類的訓(xùn)練樣本，H為把兩類沒有錯誤地分開的分類線，H1，H2分別為過各類樣本中離分類線最近的點且平行于分類線的直線，H1和H2之間的距離叫做兩類的分類間隔。最優(yōu)分類線就是要求分類線不但能將兩類無錯誤地分開，而且要使兩類的分類間隔最大。H1，H2上的訓(xùn)練樣本點就稱作支持向量。運用支持向量機(jī)進(jìn)行飛機(jī)圖像識別也是一個二分類問題。有兩類樣本，一類是飛機(jī)樣本，另一類是非飛機(jī)樣本。訓(xùn)練支持向量機(jī)就是要尋找最優(yōu)分類面，將飛機(jī)樣本和非飛機(jī)樣本沒有錯誤地分開。在訓(xùn)練過程中，任一樣本是不是飛機(jī)是預(yù)先知道的，將飛機(jī)樣本歸為類1，將非飛機(jī)樣本歸為類-1。非飛機(jī)樣本包括坦克，

8、汽車等。對任一樣本，提取主軸率、緊密度、圓方差、橢圓方差、周長平方面積比共5個特征向量。設(shè)線性可分樣本集為：(xi，yi)，i=1，n，xR5，y+1，-1R5表示五維空間，取n個樣本，xi為五維向量。對于飛機(jī)樣本，分類為1，即yi=1，對于非飛機(jī)樣本，分類為-1，yi=-1。則分類面方程為：yi(?xi)+b-10，i=1，2，n (10)滿足條件式(10)且使W2最小的分類面就叫做最優(yōu)分類面，訓(xùn)練支持向量機(jī)就是求最優(yōu)分類面的過程。利用Lagrange優(yōu)化方法可以把上述最優(yōu)分類面問題轉(zhuǎn)化為其對偶問題，即在約束條件 n下對a求解下列函數(shù)的最大值：ai為與每個樣本對應(yīng)的Lagrange乘子，這是

9、一個不等式約束下二次函數(shù)尋優(yōu)的問題，存在惟一解。將提取的特征向量(xi，yi)代入式(11)，容易證明，解中將只有一部分ai不為0，對應(yīng)的樣本就是支持向量，迭代若干次后求出最優(yōu)解，支持向量機(jī)訓(xùn)練完畢。通過一系列最優(yōu)化的迭代過程，求出了作為支持向量的樣本以及對應(yīng)的Lagrange乘子ai，根據(jù)式(10)得，最優(yōu)分類函數(shù)是：由于非支持向量的ai為0，故式中的求和實際上只對支持向量進(jìn)行。式中ai為最優(yōu)解，b是分類閾值，可以用任一個支持向量(滿足(10)中的等式)求得，或通過兩類中任意一對支持向量取中值求得。xi和yi為求得的支持向量的特征值和分類。通過最優(yōu)分類函數(shù)，輸入待分類的樣本提取的特征向量，輸

10、出即為該樣本的分類。對任一樣本，提取特征向量，得到x為五維向量，此時y未知。將x代入式(12)，求得該樣本的類別，從而實現(xiàn)了分類。2 實驗與分析我們將人工神經(jīng)網(wǎng)絡(luò)與支持向量機(jī)做對比實驗。采取480個樣本，其中260個用于訓(xùn)練，220個用于測試，260個訓(xùn)練樣本中飛機(jī)樣本和非飛機(jī)樣本各占一半。220個測試樣本中有飛機(jī)樣本110個，非飛機(jī)樣本110個。人工神經(jīng)網(wǎng)絡(luò)采用了反向傳播網(wǎng)絡(luò)(BP網(wǎng)絡(luò))，并運用基本反向傳播算法，帶有附加動量法，以及帶有附加動量和自適應(yīng)學(xué)習(xí)速率三種訓(xùn)練方法做實驗，采用一個隱含層，隱含層節(jié)點12個。采用不同神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法得到的實驗結(jié)果如表1所示。運用支持向量機(jī)得到的實驗結(jié)果如表2所示。從兩個表的對比，可得如下結(jié)論：(1)采用人工神經(jīng)網(wǎng)絡(luò)的方法實驗結(jié)果不穩(wěn)定，有些訓(xùn)練方法的效果非常差。支持向量機(jī)的訓(xùn)練只進(jìn)行了56次迭代，而對于神經(jīng)網(wǎng)絡(luò)的方法只有進(jìn)行幾百次迭代后，識別率才會穩(wěn)定下來。(2)同一個人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法在不同的迭代次數(shù)下識別率有較大差異，甚至產(chǎn)生迭代次數(shù)低識別率反而高的振蕩現(xiàn)象。(3)支持向量機(jī)實現(xiàn)簡單，訓(xùn)練算法時間短，識別率穩(wěn)定，而且不會出現(xiàn)過學(xué)習(xí)的問題，解決小樣本問題有優(yōu)勢。實驗證明，支持向量機(jī)是一種切實可行的新的機(jī)器學(xué)習(xí)方法，他較傳統(tǒng)的學(xué)習(xí)方法識別效果好，識