眼动数据指导下的特征选择算法研究

摘要

特征选择是目标识别技术中的重要环节，它在图像分类处理过程占据着举足轻重的地位。通过高效的特征选择算法，去除不相关或者冗余特征，可以提高分类的准确性，加快算法的运行效率。现有的大多数特征选择算法虽然已经能够取得良好的分类效果，但是对于图像分类这一特殊问题而言，人类视觉认知的机理常常被忽视而没有考虑到特征选择过程中。因此本文利用视线追踪技术，探究人类视觉认知的机理，并以此指导对图像特征的选择。本文的主要工作包括以下几点：
　　本文首先提出了一种眼动数据指导下的基于量子遗传算法的图像特征粗选。该算法首先利用视线追踪技术获取眼动数据并确定图像中人眼所感兴趣的区域，然后在感兴趣的区域中提取图像的75个底层特征，最后利用本文提出的一种改进的量子遗传算法(Quantum genetic algorithm，QGA）对底层特征进行选择选择。在选择过程中，所有底层特征将作为一个整体参与选择，其评价标准则为支持向量机（Support machine vector，SVM）的分类准确率。实验证明：所提出的量子遗传算法可以比传统量子遗传算法更好地提取出符合人眼识别机制的特征组合。其次，提出一种混合型的reliefF-SVM-RF E特征选择算法，对粗选结果进行进一步的精选。该算法充分利用了Filter型的reliefF算法的计算效率和 Wrapper型的SVM-RFE算法的有效性，同时算法还对评价标准做出了改进。和粗选阶段不同，特征的精选针对特征向量的每一维特征进行。实验证明，相比于传统的特征选择算法，混合型特征选择算法具有更高的运行效率，同时其选取出来的特征子集可以获得更高的分类准确率。实验证明，眼动数据的引入，也使得分类准确率得到了显著提高。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1 .1 研究背景及意义

1 .2 特征选择算法的研究历史，现状及在图像分类中的发展趋势

1 .3 本文主要内容及论文结构安排

第二章 特征选择及其相关理论概述

2 .1 特征选择的基本概念与框架

2 .2 特征选择算法的种类

2 .3 分类器概念及常用分类器介绍

2 .4 本章小结

第三章 图像底层特征提取

3 .1 颜色空间

3 .2 颜色特征

3 .3 纹理特征

3 .4 形状特征

3 .5 本章小结

第四章基于眼动数据和量子遗传算法的特征粗选

4 .1引言

4 .2 眼动数据的获取与处理

4. 3 ROI区域的提取

4 .4 基于量子遗传算法的图像特征选择

4 .5 实验结果讨论与分析

4 .6 本章小结

第五章混合型特征选择算法研究

5 .1 引言

5 .2 基于r elie fF的特征选择算法

5.3 基于SVM-RFE的特征选择算法

5.4 基于reliefF-SVM-RFE的特征选择算法

5 .5 实验结果讨论与分析

第六章 总结与展望

6 .1 总结

6 .2 未来工作展望

参考文献

攻读硕士期间发表的文章

致谢