多源视觉场景下目标特征数据融合与识别技术的研究

摘要

随着科学技术的日益发展，特别是计算机图像信息处理方面，越来越多的图像信息需要我们去识别和分类。而传统的人为识别比对和归类不仅要占用大量的人力而且识别效率低下，因此图像特征级融合技术应用而生。图像特征级融合是针对在图像特征值提取的前提下进行的一种降维操作，在有效的保留主成分信息的基础上对数据进行了冗余的去除。便于后续的识别操作，使识别速度更快，效率更高。如有两传感器分别接收红外图像和可见光图像，两传感器对同一场景产生不同的源图像，要进行识别物的判断如果用传统方法则进行两次比较，并且比对次数随着源的增加而线性增加，而图像特征数据融合则综合两幅图像的特征值进行融合比对，在有效去除冗余后又提高了识别的效率。
　　鉴于特征级融合对图像处理方面的优点，本文首先对同一场景不同源下的图像进行图像的预处理如高斯滤波、中值滤波等方法对有可能造成干扰的噪声点进行抑制，其次、对预处理后的图像进行特征矩的提取有Hu不变矩、灰度共生矩、仿射不变矩、小波不变矩。并对各特征矩的不变性和稳定性进行分析并用于特征数据融合中。然后进行数据的融合处理，典型有协方差矩阵融合，主成分分析融合，并基于上述融合算法中传统的多元统计分析方法中样本数必须大于变量数的缺点，提出一种新的基于偏最小二乘法的多特征融合，在不牺牲识别率的条件下进行进一步的冗余去除并在接下来的识别过程中使用改进传统的SVM的二分类算法使之能进行多分类识别。最后实验结果表明，本文特征融合算法在处理多特征融合时不仅能有效的去除冗余，并在后续的多类识别过程中有着较高的识别率。

目录

声明

第1章 绪论

1.1 课题研究背景及意义

1.2 国内外研究现状

1.3图像融合层次的比较

1.4 论文的组织结构

第2章 图像特征提取

2.1 图像的预处理

2.2 图像特征值提取方法研究

2.3 特征提取结果分析

2.4 本章小结

第3章 基于支持向量机的多分类识别技术

3.1 支持向量机简介

3.2 目标分类的三种情况

3.3 改进的支持向量机多分类算法

3.4 本章小结

第4章 多元统计分析特征融合

4.1 基于协方差矩阵的特征融合

4.2 基于主成分分析的特征融合

4.3 本章小结

第5章 基于偏最小二乘分析的特征融合方法

5.1偏最小二乘分析

5.2实验与分析

5.3 本章小结

结论

不足和展望：

参考文献

攻读硕士学位期间发表的论文和获得的科研成果

致谢