基于主成分分析的多传感器目标识别技术研究

摘要

目标识别是一个综合了图像处理、机器学习和模式识别等领域的课题，是近几年的一个研究热点。本文主要是对基于主成分分析的多传感器目标识别技术进行研究，为了提高多传感器的目标识别率，提出了一种基于LBP-PCA的多传感器目标识别算法。主要研究内容如下：
　　首先，本文对目标识别中的图像预处理以及图像描述进行了研究。图像预处理相关方法中重点研究了图像滤波、增强以及分割等相关环节。在图像滤波及增强环节中本文选择的是中值滤波和直方图均值化算法，并用实验检验了这两种算法对本文采集到的图像的适用性；图像分割环节主要包括一阶微分算子以及阈值分割算法，本文对多种分割算法进行分析和研究，通过实验效果的比较选取 Otsu阈值分割作为本文的分割算法。图像描述部分主要研究了各种特征提取算法，并分析了各种算法的优缺点，其中主要包括了图像的颜色、形状、纹理等特征提取方法。其中，对本文研究的LBP纹理特征进行了简要说明，具体研究过程放在后面的章节。对本文后续对比实验用到的SIFT描述子进行研究，证明其适用于本文提出的算法，能够有效的进行特征描述。
　　其次，本文选取支持向量机用于决策判断。比较了几种分类器的优缺点。主要研究了支持向量机的分类原理，包括线性可分支持向量机、线性不可分支持向量机、非线性支持向量机及其核函数的选择和支持向量机的应用与拓展。
　　再次，对基于主成分分析的异类传感器融合算法进行研究。分析了三种融合方式，对三种融合方式的优缺点进行比较并结合本文算法的要求，选取出特征级信息融合方式。在传感器类型的选择上，结合实际情况以及对各种传感器的适用范围选取红外传感器和可见光传感器作为本文研究对象。重点对提出的主成分分析融合算法的各个方面进行研究，主要包括PCA的定义、基本原理以及推导过程。并且通过与传统串联法以及单一传感器的目标识别实验进行对比，可以验证出PCA算法可以有效地降低特征向量的维度，减少运算量的同时保留原始数据的主要信息。
　　最后，本文提出了一种基于LBP-PCA的多传感器目标识别算法，并进行了实验验证，首先将红外以及可见光图像分别通过相应的预处理算法从图像中提取出目标，然后提取目标的LBP特征点向量，再利用PCA算法降低提取出的LBP特征向量的维数从而得出融合后的特征向量，最后利用SVM进行识别与分类用以获取识别率。实验仿真结果表明LBP特征提取方法具有良好的旋转不变性和灰度不变性，同时主成分分析可以从一个高维空间中的提取主要的特征，利用LBP-PCA多传感器目标识别算法可以克服传统图像融合中数据过大、运行时间过长等问题，在实现实时检测的同时提高了目标的识别率。

目录

声明

第1章 绪 论

1.1 课题研究的背景和意义

1.2 国内外研究现状

1.3 文章的主要研究工作与内容安排

第2章 图像的预处理及描述研究

2.1 多传感器目标识别过程

2.2 图像预处理

2.3 特征选择与特征提取

2.4 本章小结

第3章 支持向量机分类器研究

3.1 分类器的比较

3.2 线性支持向量机与间隔最大化

3.3 非线性支持向量机与核函数

3.4 支持向量机的应用与拓展

3.5 本章小结

第4章 基于PCA的异类传感器融合算法研究

4.1 三种融合方式的原理介绍

4.2 不同种类传感器比较

4.3 主成分分析的研究

4.4 实验分析

4.5 本章小结

第5章 基于LBP-PCA多传感器目标识别

5.1 LBP纹理特征

5.2 基于LBP-PCA的特征融合目标识别算法

5.3 实验结果与分析

5.4 本章小结

结论

参考文献

读硕士学位期间发表的论文和获得的科研成果

致谢