基于模糊支持向量机的红外及可见光目标识别

摘要

随着科学技术的高速发展，目标识别技术在民用、军用等领域都取得了非常广泛的应用。本文结合红外传感器与可见光传感器各自的优点，采用模糊支持向量机(FuzzySupportVectorMachine，FSVM)的算法理论，构建了基于FSVM的红外及可见光目标识别系统。
　　FSVM理论体系完善，它是建立在统计学理论、VC维(Vapnik-ChervonenkisDimension，VC)理论等知识的基础之上的新兴的机器学习理论。采用FSVM算法作为目标识别系统的识别算法能够达到较高的分类准确率。
　　本论文主要内容是在数字图像处理理论的基础上，结合FSVM的理论与算法，对基于FSVM的红外及可见光目标识别系统进行了详细的研究、设计与开发。主要实现了目标识别系统的图像预处理模块、特征提取模块、数据库管理模块、识别模型训练模块以及目标识别模块。
　　开发过程中针对目标识别系统各模块中存在的问题，提出了一些具有针对性的切实有效的改进方法，主要有:图像预处理过程中在大津(OTSU)算法的基础之上对所求阈值进行了调整，改善了分割效果;针对K-means算法中的一些固有问题，对算法进行了一些必要的优化，改进了初始聚类中心的选择策略，并针对聚类结果中的噪点区域提出了一种区域合并策略进行处理;结合Libsvm工具包，对现有的分类函数进行了改进，加入了模糊隶属度函数，构建了FSVM识别算法，并对序列最小优化算法（Sequentialminimaloptimization，SMO）算法进行了编程实现;考虑到实时性的要求，系统采用C++语言进行开发设计，使用VisualC++6.0环境进行编译运行，实现了基于FSVM的红外及可见光目标识别系统的开发。
　　本文通过实验对基于FSVM的红外及可见光目标识别系统的运行情况、识别速度、识别精度等内容进行了验证。实验结果表明，基于FSVM的红外及可见光目标识别系统运行情况稳定，系统对红外和可见光目标识别速度满足实时性要求，识别精度良好。具有较好的实用价值。

目录

声明

摘要

第1章 绪论

1．1 研究的背景和意义

1．2 研究现状

1．3 论文的研究内容

1．4 论文的组织结构与创新点

第2章 图像预处理的改进与实现

2．1 图像噪声

2．2 图像去噪

2．2．1 空间域去噪

2．2．2 变换域去噪

2．2．3 形态学去噪

2．3 图像分割

2．3．1 Otsu阈值分割算法

2．3．2 边缘检测

2．3．3 K均值聚类

2．4 一种改进的阈值分割算法

2．5 一种改进的K-means聚类

2．6 本章小结

第3章 特征选择与提取的实现与分析

3．1 HU矩特征

3．2 仿射不变矩特征

3．3 灰度共生矩特征

3．4 目标特征选择方法

3．5 实验仿真

3．6 本章小结

第4章 模糊支持向量机理论与编程实现

4．1 模糊数学理论

4．1．1 模糊数学的发展历程

4．1．2 模糊集

4．1．3 几种常见的模糊隶属度函数

4．2 支持向量机理论

4．2．1 经验风险

4．2．2 结构风险最小化

4．2．3 最优超平面

4．2．4 VC维数

4．2．5 核函数

4．3 FSVM理论

4．3．1 第一种模糊支持向量机

4．3．2 第二种模糊支持向量机

4．4 模糊隶属度核函数的选择

4．4．1 基于类中心距离的隶属度函数

4．4．2 基于S型函数的隶属度函数

4．4．3 基于π型函数的隶属度函数

4．5 FSVM算法的编程实现

4．6 本章小结

第5章 基于FSVM的识别系统实现

5．1 FSVM识别系统的架构

5．2 图像预处理部分的实现

5．2．1 文件的打开与显示

5．2．2 预处理模块图像增强的执行

5．2．3 预处理模块图像分割的执行

5．3 特征提取部分的实现

5．3．1 文件的打开与显示

5．3．2 传感器类型的选择

5．3．3 计算相应的特征值

5．3．4 特征值的存储

5．4 目标特征数据库系统的技术实现

5．4．1 特征数据库管理系统的构建

5．4．2 目标动态特征库管理技术

5．4．3 目标特征数据库建立

5．4．4 数据库管理系统编程实现

5．5 模型训练部分

5．6 目标识别部分

5．6．1 目标识别模块工作流程与结果显示

5．6．2 目标识别结果分析与对比

5．7 本章小结

结论

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