機場視頻監(jiān)控系統(tǒng)中的目標識別算法研究_圖文

1、 一目民航大學學位論女 削選抨待識別幽像 削識別結果輸出 實驗中，對一個八類問題（八種不同形狀的飛機），每個類使用個訓練樣木，即 飛機原始圖、。旋轉圖、 旋轉圖、旋轉圈以及旋轉圖，訓練樣本一共個， 每個樣本用維向量來描述（）。每一個類用樣本均值和它的訓練特征的方差表 示。使用的分類器計算了待測圖像肖的特征向量與每個類的特征向量均值之間的距離并 用相應的方差的倒數對這個距離進行加權。加權的目的是為了均衡特征向量的個元素 中每個元素的作用。 參加訓練的樣本八類飛機個訓練樣本中隨意提取的三類個樣本，如圖 。由于矩儀具有旋轉不變性，而不具備尺度和平移不變性，因此這些樣本 在參加訓練前必須經過尺度平平移

2、標準化。 一陶航大學：學位女 幽（）機的訓練樣本 從左至右，依次為飛機的、旋轉樣本） 翻（）飛機的訓練樣本 （從左至右，依次為機的、。、旋轉樣本） 幽（）機的訓練樣本 （從左至右，依次為飛機的、旋轉樣本） 未知目標的識別圖中未知目標圖像在輸入分類器進行分類前也必須經過尺度 平移標準化。矩識別飛機結果如圖所示。 （） （） 圖一 矩識別飛機 （） （）飛機識別為飛機（）飛機識別為飛機（）飛機識別為飛機 （曲飛機識別為飛機（）飛機識別為飛機（）飛機識別為飛機 中國民航大學碩士學位論文 （）飛機識別為飛機（）飛機識別為飛機（）飛機識別為飛機 實驗結果表明算法是有效的。 多尺度不變量識別飛機 在實際成

3、像條件下不變矩取值存在各種不穩(wěn)定影響因素，特別是計算小尺寸（大尺 寸）目標的不變矩時往往會產生較大誤差。使用建立的與尺度有關的多級特征數據庫， 并能過下面幾組飛機形狀識別的實驗來驗證這種分級特征庫能顯著提高目標識別的可 信度和準確率。 給出用于分類識別的種飛機的尺度圖像模型。我們采用階以下不超過次的共 個不變矩組成的特征向量建立特征庫，并用隱層節(jié)點數為的層神經網絡對 其進行識別。不變矩特征經過數量級標準化后作為網絡的個輸入，該網絡的 個輸出分別代表類不同的飛機。網絡訓練時對于一幅屬于第類飛機的圖像將網絡的 第輸入置，其他輸出置。識別時網絡輸出的最大值對應的輸出類為識別結果。 假設至 為按大小順

4、序排列的個網絡輸出值，為最大輸出值，為最小輸 出值。網的所有輸出值域范圍都是【，】。識別的可行度是由個輸出值的分布決定 的，定義如下： 一兩一兩一麗”一兩（） 這個可信度估算式反映了網能正確分類識別的概率，該定義基于如下合理假設： ）可信度的值域變化范圍應該是，】 ）當且僅當最大輸出且時，可信度為。 ）當且僅當時，可信度為。 ）越大可信度越高，到越小可信度越高。 ）。，如果，且葉葉，就得到 個完全相等的最大值，而只選取對應的類作為識別結果，顯然可 信度應該只有。 我們使用四組訓練樣本進行對比試驗，得到四個神經網絡分類器第一組只選取了 個尺寸為的模型樣本進行訓練，第二組每類飛機全部用級模型樣本參見訓練，分別 使用尺寸為，的模板飛機圖像不變矩作為輸入，共個樣本。第三 組只選取了尺度與待識別目標最接近的兩組模型樣本組成的樣本集參加訓練，第四組只 選取了尺度與待識別目標比較接近的一組樣本集進行訓練。 我們對被模糊、縮小、旋轉、移動的飛機圖像進行識別。分別用上述四組訓練樣本 在訓練基本收斂情況下獲得的四個神經網絡分類器進行識別和可信度對比?？傻?，在識 別較大尺寸目標情況下，單一尺度與多級尺度不變矩特征庫訓練的神經網絡分類器都具 中國民航大學碩士學位論文 有較好的識別率；而多尺度的特征庫識別具有更高的識別率和可信度；在識別中等尺度 和大尺度目標情況下，相對于只具有但尺度訓練模型的分類器，采