基于极限学习机的目标识别算法研究

摘要

目标识别是图像理解和计算机视觉中一个重点研究方向，在许多相关领域中有着广泛的应用。随着人工智能和模式识别技术的不断发展，基于机器学习的目标识别技术越来越受到研究者们的重视。
　　本文围绕着机器学习方法，对目标识别算法中的分类器设计，模型构建等问题进行了研究。论文具体的研究内容分为2个部分，第一，本文提出了将极限学习机(Extreme Learning Machine，ELM)这种求解单隐层前馈神经网络的新方法引入到基于机器学习的目标识别算法中来，并研究了极限学习机的改进方法来解决传统SVM分类器在处理高维复杂数据时的计算复杂度高，训练耗时等缺陷。第二，本文对当前主流的目标识别模型，空间金字塔模型(Spatial Pyramid Model，SPM)进行了理论分析，研究了通过改进视觉词典的构建方式来解决图像特征向量维数过高，计算复杂度上升的缺陷。围绕上述研究内容，本文主要研究工作和创新性体现在以下两个方面:
　　(1)针对ELM的泛化能力和稳定性容易受随机给定的输入权值和隐含层偏置的影响，提出了一种基于旋转森林选择性集成ELM的目标识别算法，并将其命名为RFSEN-ELM。该方法结合了旋转森林算法(Rotation Forest，RF)和基于遗传算法的选择性集成模型(Selective Ensemble)。首先，利用旋转森林算法对训练数据进行预处理，训练生成一组差异性较大的ELM基分类器集合。接着，通过选择性集成模型对基分类器集合进行组合筛选，其中遗传算法在选择性集成模型中的作用是剔除一些在集成中表现不好的基分类器。最后，将选择出来的基分类器进行集成构成RFSEN-ELM算法。实验结果表明，该算法的综合性能要优于传统的SVM算法和一些其他的集成算法。
　　(2)针对空间金字塔模型产生的图像特征向量维数过高，内存占用较大的缺陷，提出了一种紧凑型空间金字塔模型(Compact Spatial Pyramid Model，CSPM)，该模型通过Agglomerative Information Bottleneck(AIB)聚类算法对视觉词典中的视觉单词进行选择性融合来降低最终特征向量的维数。此外，在极限学习机的改进上提出了使用加权投票机制(Weighted Voting)代替了RFSEN-ELM中的选择性集成模型，并将矩阵条件数这一概念引入到了权值的计算当中，将该集成分类器命名为RFWV-ELM。实验结果表明，基于CSPM模型和RFWV-ELM集成分类器的目标识别算法在识别正确率，稳定性和训练速度上都好于传统的空间金字塔模型与SVM的结合方法。

目录

声明

摘要

第一章 绪论

1．1 研究背景和意义

1．2 国内外研究现状

1．3 论文的主要工作及结构安排

第二章 基于机器学习的目标识别算法相关理论知识

2．1 特征的提取与描述

2．1．1 全局特征

2．1．2 局部特征

2．2 目标识别模型

2．2．1 特征袋(BOF)模型

2．2．2 空间金字塔模型

2．3 分类器设计

2．3．1 支持向量机

2．3．2 极限学习机

2．4 本章小结

第三章 基于旋转森林选择性集成ELM的目标识别算法

3．1 旋转森林算法

3．2 选择性集成学习模型

3．3 基于RFSEN-ELM的目标识别算法

3．3．1 基于旋转森林的集成ELM算法

3．3．2 基于遗传算法的选择性集成模型

3．3．3 基于RFSEN-ELH的目标识别算法

3．4 实验结果与分析

3．4．1 实验条件

3．4．2 实验参数设置

3．4．3 算法结果讨论

3．5 本章小结

第四章 基于加权投票集成ELM和紧凑型空间金字塔模型的目标识别算法

4．1 紧凑型空间金字塔模型

4．1．1 AIB聚类算法

4．1．2 基于AIB聚类算法的紧凑型空间金字塔模型

4．2 基于加权投票的集成ELM

4．2．1 矩阵条件数

4．2．2 基于矩阵条件数的加权投票机制

4．2．3 RFWV-ELM集成分类器

4．3 基于RFWV-ELM和CSPM模型的目标识别算法

4．4 实验结果与分析

4．4．1 实验条件

4．4．2 实验参数设置

4．4．3 算法结果讨论

4．5 本章小结

第五章 总结与展望

参考文献

致谢

攻读学位期间的研究成果